亚马逊的CEO Jeff Bezos曾经说过，他的梦想是“如果我有100万个用户，我就要为他们做100万个亚马逊网站”。而智能推荐系统的出现，就是为了实现这个梦想，智能推荐系统解决的是一个信息比对的问题，怎么样基于用户的信息和商品的信息去做一个更好的匹配，为每一个用户实现个性化的推荐结果，这是推荐系统要解决的问题。从“千人一面”到“千人千面”，这个世界因智能推荐系统变得更人性化、更丰富、更美好。
推荐系统=推荐算法+系统工程
《个性化推荐系统开发指南》这本电子书基于PAI构建企业级推荐系统，从推荐算法开始，到系统工程问题讲解，教你构建一个完整的推荐系统。
作者介绍
阿里云人工智能产品专家傲海，长期从事人工智能平台产品能力建设和商业化业务。伴随阿里云机器学习PAI平台从零起步，逐渐成为IDC、Forrester认证的国内领先的商业化人工智能平台之一。《机器学习实践应用》书作者，阿里云大学讲师。
目录
文章试读
什么是推荐系统
伴随着互联网应用的发展，人们可以涉猎到更多的资讯。比如说进入到一个淘宝的平台，有非常多的商品，如何将适合用户的商品去触达他，是淘宝需要解决的一个问题。本质上，推荐系统解决的是一个信息比对的问题。怎么样基于用户的信息和商品的信息去做一个更好的匹配，这是推荐系统要解决的问题。
常见的推荐业务场景有两个。一个是基于搜索Query的推荐，比如说，在淘宝平台购买一件商品，Query推荐要基于用户的购买偏好，还有商品的属性去做一个匹配。另一个是基于用户和商品属性的Feed流的推荐，我们采用机器学习推荐模型，它既要学习用户，也要学习商品的属性。点击查看详情>>
推荐系统召回算法
召回算法的作用是从海量待推荐对象中抽选出待排序的候选集。
下面是目前比较流行的4个算法。
- 协同过滤：基于统计的方式找到相似的item关联关系以及user-item的关联关系
- GraphSage：图神经网络召回算法，基于深度学习框架构建的图算法。可以基于用户和商品特征及行为产出user embedding和item embedding。点击查看详情>>
推荐系统排序算法
排序算法的作用是针对推荐的候选集进行用户兴趣从强到弱的排序，通常使用机器学习领域的二分类算法解决该问题。
目前比较经典的排序算法是下面列的这4种。
- 一、逻辑回归是应用非常广泛的一种算法。它是目前业内最经典的线性二分类算法，特点是容易上手，对于计算力要求低，模型可解释性好。
- 二，FM算法近一两年来，在很多客户的场景中都得到大规模的应用，效果也不错。它是通过内积的方式增强特征的表现力。点击查看详情>>
推荐系统线上服务编排
1、业务场景：客户业务潮汐效应很明显，业务高峰基本集中在中午和晚上。
2、方案：基于高扩展弹性业务场景，采用阿里云ACK构建整体推理架构。
3、调用流程：
- 多路召回：物品协同过滤，语义召回，热门及运营策略召回取回上千条候选集。
- 曝光去重：基于该用户阅读历史，去掉已经曝光内容，去掉基于运营策略不能推荐的内容（敏感内容）。
- 排序：推理模块调用排序过程时根据用户id及物料id，获取用户特征及物料特征（Redis）后，分批调用PAI-EAS服务返回排序结果。点击查看详情>>
基于PAI 10分钟搭建一个简单推荐系统
教大家搭建一个只有召回模块的简单推荐系统。这一套推荐系统就是以协同过滤算法为基础，就是说，先发现相似的物品或者相似的人，然后根据相似的人和相似的物品之间的关联性去找出它的一个推荐逻辑。点击获取全部步骤>>
藏经阁系列电子书
阿里云开发者社区——藏经阁系列电子书，汇聚了一线大厂的技术沉淀精华，爆款不断。
点击链接获取海量免费电子书：https://developer.aliyun.com/topic/ebook
