1.推荐系统基本流程：
Offilne部分：主要是基于离线物料系统生成的物料画像和用户画像进行处理，为每个用户生成热门页列表和推荐页列表，并将其存储到Redis中
Online部分：主要是针对不同的用户，使用不同的策略，提供热门页列表和推荐页列表的新闻数据，进行过滤排序之后，展示到前端页面上
2. Offline部分
2.1 热门页列表构建
2.1.1 业务流程
基于离线物料系统生成的物料画像（MongoDB的NewsRecSys库的FeatureProtail集合数据），根据其发布时间以及用户的行为记录（阅读量、点赞量和收藏量）计算热度值，更新物料中所有新闻的热度值
将所有新闻按照类别，将热门列表存入缓存中，提供给Online的热门页列表
2.1.2 核心代码逻辑
代码位于recprocess/recall/hot_recall.py
update_hot_value()方法：主要用于更新物料中所有新闻的热度值，通过遍历MongoDB的NewsRecSys库的FeatureProtail集合数据，选取最近3天发布的新闻，通过使用下列公式，进行热度值的计算，并更新hot_value字段（初始值为1000）：
news_hot_value = (news_likes_num * 0.6 + news_collections_num * 0.3 + news_read_num * 0.1) * 10 / (1 + time_hour_diff / 72)
Copy to clipboardErrorCopied
注： 上述公式源自魔方秀公式： 魔方秀热度 = (总赞数 * 0.7 + 总评论数 * 0.3) * 1000 / (公布时间距离当前时间的小时差+2) ^ 1.2
最初的公式为Hacker News算法： Score = (P-1) / (T+2)^G 其中P表示文章得到的投票数，需要去掉文章发布者的那一票；T表示时间衰减（单位小时）；G为权重，默认值为1.8
group_cate_for_news_list_to_redis()方法：主要用于将物料库（FeatureProtail集合），通过遍历各类新闻，按照下面形式存入Redis[0]的hot_list_news_cate中：
hot_list_news_cate:<新闻类别标识>: {<新闻类别名>_<新闻id>:<热度值>}
Copy to clipboardErrorCopied
2.2 推荐页列表构建
2.2.1 业务流程
针对注册用户，建立冷启动的推荐页列表数据，通过用户年龄、性别指定用户群，自定义用户的新闻类别，根据新闻热度值，生成冷启动的推荐列表
针对老用户，提供个性化推荐，目前该系统没有提供千人千面的推荐功能
2.2.2 核心代码逻辑
代码位于recprocess/cold_start/cold_start.py
generate_cold_user_strategy_templete_to_redis_v2()方法：按照用户类别、新闻类别提供各类新闻的热度值；通过自定义配置将用户分为4类，遍历各类别中的新闻类型，将物料库（MongoDB的NewsRecSys库的FeatureProtail集合数据）中对应的新闻热度值按照下面形式存入Redis[0]的cold_start_group中:
cold_start_group:<人群分类ID>:<新闻类别标识>: {<新闻类别名>_<新闻id>:<热度值>} Copy to clipboardErrorCopied
user_news_info_to_redis()方法：
按照用户、新闻分类提供用户冷启动的推荐模板；遍历所有用户，针对每个用户分类，从Redis[0]的cold_start_group中取出新闻热度值，按照以下形式存入Redis[0]的cold_start_user中：
cold_start_user:<用户ID>:<新闻类别标识>: {<新闻类别名>_<新闻id>:<热度值>}
Copy to clipboardErrorCopied
按照用户提供用户的新闻类别标识；针对每个用户，根据自定义的用户新闻类别（即每个用户分类具有哪些新闻类别），按照以下形式存入Redis[0]的cold_start_user_cate_set中：
cold_start_user_cate_set:<用户ID>: {<新闻类别标识>}
Copy to clipboardErrorCopied
3.Online部分
3.1 热门页列表构建
3.1.1 业务流程
获取用户曝光列表，得到所有的新闻ID
针对新用户，从之前的离线热门页列表中，为该用户生成一份热门页列表，针对老用户，直接获取该用户的热门页列表
对上述热门列表，每次选取10条新闻，进行页面展示
对已选取的10条新闻，更新曝光记录
3.1.2 核心代码逻辑
代码位于recprocess/online.py
_get_user_expose_set()方法：主要获取用户曝光列表，得到所有的新闻ID；该数据存储在Redis[3]中，数据格式如下：
user_exposure:<用户ID>: {<新闻ID>:<曝光时间>}
Copy to clipboardErrorCopied
_judge_and_get_user_reverse_index()方法：用于判断用户是否存在热门页列表，如果用户是新用户，根据Redis[0]的hot_list_news_cate中的数据，复制创建该用户的热门页列表，具体数据格式如下：
user_id_hot_list:<用户ID>:<新闻分类标识>: {<新闻类别名>_<新闻id>:<热度值>}
Copy to clipboardErrorCopied
_get_polling_rec_list()方法：通过轮询方式获取用户的展示列表，每次只取出10条新闻；通过while循环方式，从Redis[0]的user_id_hot_list:<用户ID>:<新闻分类标识>中选取新闻，之后删除已选取的新闻，并把选取的10条新闻内容放到用户新闻（user_news_list）数组中，新闻ID放到曝光列表（exposure_news_list）中
_save_user_exposure()方法：将曝光新闻数据存储到Redis[3]中；设置曝光时间，删除重复的曝光新闻，并按照下列格式存储到Redis[3]的user_exposure中：
user_exposure:<用户ID>: {<新闻ID>:<曝光时间>}
Copy to clipboardErrorCopied
3.2 推荐页列表构建
3.2.1 业务流程
获取用户曝光列表，得到所有的新闻ID
针对新用户，从之前的离线推荐页列表中，为该用户生成一份推荐页列表，针对老用户，直接获取该用户的推荐页列表
对上述热门列表，每次选取10条新闻，进行页面展示
对已选取的10条新闻，更新曝光记录
3.2.1 核心代码逻辑
代码位于recprocess/online.py
_get_user_expose_set()方法：主要获取用户曝光列表，得到所有的新闻ID；该数据存储在Redis[3]中，数据格式如下：
user_exposure:<用户ID>: {<新闻ID>:<曝光时间>}
Copy to clipboardErrorCopied
_judge_and_get_user_reverse_index()方法：用于判断用户是否存在冷启动列表，如果用户是新用户，获取分组ID，根据用户DI和分组ID，从Redis[0]的cold_start_group中的数据，复制创建该用户的推荐列表，具体数据格式如下：
cold_start_user:<用户ID>:<新闻分类标识>: {<新闻类别名>_<新闻id>:<热度值>}
Copy to clipboardErrorCopied
将用户当前的新闻类别标识，存放到cold_start_user_cate_set中，具体格式如下：
cold_start_user_cate_set:<用户ID>: {<新闻ID>}
Copy to clipboardErrorCopied
_get_polling_rec_list()方法：通过轮询方式获取用户的展示列表，每次只取出10条新闻；通过while循环方式，从Redis[0]的cold_start_user:<用户ID>:<新闻分类标识>中选取新闻，之后删除已选取的新闻，并把选取的10条新闻内容放到用户新闻（user_news_list）数组中，新闻ID放到曝光列表（exposure_news_list）中
_save_user_exposure()方法：将曝光新闻数据存储到Redis[3]中；设置曝光时间，删除重复的曝光新闻，并按照下列格式存储到Redis[3]的user_exposure中：
user_exposure:<用户ID>: {<新闻ID>:<曝光时间>}
Copy to clipboardErrorCopied
4 .总结
本次任务主要介绍了离线/在线的热门页列表和推荐页列表生成，离线部分的列表生成，主要是用于Redis存储，提供给在线服务使用，前端页面通过调用在线服务，利用Redis中的热门页和推荐页列表数据进行展示，其中推荐页列表数据主要是冷启动部分。
推荐系统流程学习资料：
「从零入门推荐系统」01：推荐系统预备知识介绍_大数据与人工智能-CSDN博客
「从零入门推荐系统」02：推荐系统基础介绍_大数据与人工智能-CSDN博客
「从零入门推荐系统」03：推荐系统的数据源与数据预处理_大数据与人工智能-CSDN博客
「从零入门推荐系统」04：推荐系统的产品与运营_大数据与人工智能-CSDN博客
「从零入门推荐系统」05：推荐系统业务流程与架构_大数据与人工智能-CSDN博客
构建企业级推荐系统（05）：从零开始入门推荐算法工程师（万文建藏）_大数据与人工
