推荐系统召回中台实践

简介: 召回是推荐系统的第一阶段,主要根据用户和商品部分特征,从海量的物料库里,快速找回一小部分用户潜在感兴趣的物品,然后交给排序环节。这部分需要处理的数据量非常大,速度要求快,所有使用的策略、模型和特征都不能太复杂。
召回是推荐系统的第一阶段,主要根据用户和商品部分特征,从海量的物料库里,快速找回一小部分用户潜在感兴趣的物品,然后交给排序环节。这部分需要处理的数据量非常大,速度要求快,所有使用的策略、模型和特征都不能太复杂。

![1.png](https://ucc.alicdn.com/pic/developer-ecology/e73b4d2fc32e45378c74c11daaeb1c1e.png)


召回中台在推荐系统中应该扮演什么样的角色呢?答案可能为
  • 推荐候选的生成(系统定位)
  • 复制机制的注入(生态建设)

    图片2.png

    3.png

    召回中台里模型化召回是很重要的组成部分。 模型化召回可以分为两部分,包括召回模型的学习与更新,以及线上的Ann检索服务。在召回模型的学习与更新阶段,主要是基于用户平台行为信息,针对特定的学习目标,完成基于表征学习的召回模型训练和更新,该模型能够产出有效的高层User表征向量和Item表征向量。从学习目标来看,常见的召回模型包括内容语义类、行为偏好类、关系匹配类等。

    图片4.png

    从传统个性化召回到模型化召回

    图片5.png

模型化召回的多目标处理

![图片6.png](https://ucc.alicdn.com/pic/developer-ecology/ed361bb130f74c07a0387e67e43082d2.png)


模型化召回的多样性

![图片7.png](https://ucc.alicdn.com/pic/developer-ecology/5548e78a3af54edfac7e798dc75108db.png)

多目标召回的处理流程

![图片8.png](https://ucc.alicdn.com/pic/developer-ecology/fb8bf2493d2644bbb49cf5946b056b1c.png)

![图片9.png](https://ucc.alicdn.com/pic/developer-ecology/76e54c217dab452bb3a4a0fc28a5bf90.png)


物料冷启动

![图片10.png](https://ucc.alicdn.com/pic/developer-ecology/d55b077260264a6e8c09f9a66ea99da6.png)

![图片11.png](https://ucc.alicdn.com/pic/developer-ecology/b155139eacec40ddaebd3956bfaba0e5.png)


![图片13.png](https://ucc.alicdn.com/pic/developer-ecology/31c79c8729c54c58a4652ebcb95271cf.png)


![图片14.png](https://ucc.alicdn.com/pic/developer-ecology/317ca4a578404e71b6d3ffa19ae9bc95.png)


大规模召回中台的“深度化”展望

 ![图片15.png](https://ucc.alicdn.com/pic/developer-ecology/8af5fe1314244f068c4dd15aa1b5907f.png)


![图片16.png](https://ucc.alicdn.com/pic/developer-ecology/9cdbf984c87241e4819864bbddabc79e.png)





目录
相关文章
|
机器学习/深度学习 搜索推荐 算法
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
推荐系统离线评估方法和评估指标,以及在推荐服务器内部实现A/B测试和解决A/B测试资源紧张的方法。还介绍了如何在TensorFlow中进行模型离线评估实践。
765 0
|
8月前
|
搜索推荐 NoSQL Java
微服务架构设计与实践:用Spring Cloud实现抖音的推荐系统
本文基于Spring Cloud实现了一个简化的抖音推荐系统,涵盖用户行为管理、视频资源管理、个性化推荐和实时数据处理四大核心功能。通过Eureka进行服务注册与发现,使用Feign实现服务间调用,并借助Redis缓存用户画像,Kafka传递用户行为数据。文章详细介绍了项目搭建、服务创建及配置过程,包括用户服务、视频服务、推荐服务和数据处理服务的开发步骤。最后,通过业务测试验证了系统的功能,并引入Resilience4j实现服务降级,确保系统在部分服务故障时仍能正常运行。此示例旨在帮助读者理解微服务架构的设计思路与实践方法。
419 17
|
机器学习/深度学习 搜索推荐 算法
推荐系统的算法与实现:深入解析与实践
【6月更文挑战第14天】本文深入探讨了推荐系统的原理与实现,包括用户和项目建模、协同过滤、内容过滤及混合推荐算法。通过收集用户行为数据,系统预测用户兴趣,提供个性化推荐。实践中,涉及数据处理、建模、算法选择及结果优化。随着技术发展,推荐系统将持续改进,提升性能和用户体验。
|
11月前
|
数据采集 搜索推荐
推荐系统实践之新闻推荐baseline理解
推荐系统实践之新闻推荐baseline理解
262 1
|
11月前
|
数据采集 搜索推荐
推荐系统实践之新闻推荐baseline理解
推荐系统实践之新闻推荐baseline理解
310 1
|
人工智能 自然语言处理 搜索推荐
LLM在电商推荐系统的探索与实践
LLM在电商推荐系统的探索与实践
3833 1
|
机器学习/深度学习 搜索推荐 算法
推荐系统算法的研究与实践:协同过滤、基于内容的推荐和深度学习推荐模型
推荐系统算法的研究与实践:协同过滤、基于内容的推荐和深度学习推荐模型
1176 1
|
机器学习/深度学习 搜索推荐 算法
深度学习在推荐系统中的应用:技术解析与实践
【7月更文挑战第6天】深度学习在推荐系统中的应用为推荐算法的发展带来了新的机遇和挑战。通过深入理解深度学习的技术原理和应用场景,并结合具体的实践案例,我们可以更好地构建高效、准确的推荐系统,为用户提供更加个性化的推荐服务。
|
机器学习/深度学习 人工智能 搜索推荐
构建基于AI的个性化新闻推荐系统:技术探索与实践
【6月更文挑战第5天】构建基于AI的个性化新闻推荐系统,通过数据预处理、用户画像构建、特征提取、推荐算法设计及结果评估优化,解决信息爆炸时代用户筛选新闻的难题。系统关键点包括:数据清洗、用户兴趣分析、表示学习、内容及协同过滤推荐。实践案例证明,结合深度学习的推荐系统能提升用户体验,未来系统将更智能、个性化。
|
NoSQL 搜索推荐 算法
【MongoDB】MongoDB在推荐系统中的实践应用
【4月更文挑战第1天】【MongoDB】MongoDB在推荐系统中的实践应用

热门文章

最新文章