如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加有效率的连接，推荐系统可以更有效率的连接用户与内容和服务，节约了大量的时间和成本。
1.1 推荐系统主要解决问题任务一：挖掘长尾：帮助用户找到想要的物品（音乐、商品、新闻），挖掘长尾效应中的非流行市场。我们在网上冲浪时，常常被大量的物品信息所淹没。从海量信息中找到自己想要的信息，实属不易（如面对淘宝各种各样的打折活动不知所措）。在经济学上，有一个经典的名词叫“长尾效应”，该效应的内容是：从人们需求的角度上看，大多数的需求会集中在某一小部分，而这部分我们可以称之为流行，而分布在剩余部分的需求是个性化的、零散的和小量的需求。这就意味着，有大量资源是鲜有人问津的，这不仅造成了资源利用上的浪费，也会使口味偏小众的用户被流行的内容所淹没。
任务二：降低信息过载进入互联网时代后，信息量已处于爆炸的状态。如果把所有内容都展示出来，用户肯定无法全部接收，这必然会造成信息过载，信息的利用率将十分低下。因此就需要推荐系统来帮我们把低价值的信息给筛选掉。
任务三：提高站点的点击率、转化率好的推荐系统总是能给用户推荐出想要的内容，让用户更频繁地访问站点，增强用户黏度。
任务四：加深对用户的了解，为用户提供个性化的定制服务当系统成功推荐了一个用户感兴趣的内容后，我们对该用户的兴趣爱好就越清晰。当我们精准地描绘出每个用户的形象后（精准的用户画像），就可以为他们定制出一系列个性化的定制服务，让拥有各种各样需求的用户都能在我们平台上得到满足。
如果把推荐系统简单拆开来看，推荐系统主要是由数据、算法、架构三个方面组成。
数据提供了信息。数据储存了信息，包括用户与内容的属性，用户的行为偏好例如对新闻的点击、玩过的英雄、购买的物品等等。这些数据特征非常关键，甚至可以说它们决定了一个算法的上限。算法提供了逻辑。数据通过不断的积累，存储了巨量的信息。在巨大的数据量与数据维度下，人已经无法通过人工策略进行分析干预，因此需要基于一套复杂的信息处理逻辑，基于逻辑返回推荐的内容或服务。架构解放了双手。架构保证整个推荐自动化、实时性的运行。架构包含了接收用户请求，收集、处理，存储用户数据，推荐算法计算，返回推荐结果等。有了架构之后算法不再依赖于手动计算，可以进行实时化、自动化的运行。例如在淘宝推荐中，对于数据实时性的处理，就保证了用户在点击一个物品后，后续返回的推荐结果就可以立刻根据该点击而改变。一个推荐系统的实时性要求越高、访问量越大那么这个推荐系统的架构就会越复杂。1.2推荐系统的整体框架
在这里插入图片描述推荐的框架主要有以下几个模块
协议调度：请求的发送和结果的回传。在请求中，用户会发送自己的 ID，地理位置等信息。结果回传中会返回推荐系统给用户推荐的结果。推荐算法：算法按照一定的逻辑为用户产生最终的推荐结果。不同的推荐算法基于不同的逻辑与数据运算过程。消息队列：数据的上报与处理。根据用户的 ID，拉取例如用户的性别、之前的点击、收藏等用户信息。而用户在 APP 中产生的新行为，例如新的点击会储存在存储单元里面。存储单元：不同的数据类型和用途会储存在不同的存储单元中，例如内容标签与内容的索引存储在 mysql 里，实时性数据存储在 redis 里，需要进行数据统计的数据存储在 TDW 里。2.推荐系统2.1 推荐算法流程介绍推荐算法其实本质上是一种信息处理逻辑，当获取了用户与内容的信息之后，按照一定的逻辑处理信息后，产生推荐结果。热度排行榜就是最简单的一种推荐方法，它依赖的逻辑就是当一个内容被大多数用户喜欢，那大概率其他用户也会喜欢。但是基于粗放的推荐往往会不够精确，想要挖掘用户个性化的，小众化的兴趣，需要制定复杂的规则运算逻辑，并由机器完成。
推荐算法主要分为以下几步：
召回：当用户以及内容量比较大的时候，往往先通过召回策略，将百万量级的内容先缩小到百量级。过滤：对于内容不可重复消费的领域，例如实时性比较强的新闻等，在用户已经曝光和点击后不会再推送到用户面前。精排：对于召回并过滤后的内容进行排序，将百量级的内容并按照顺序推送。混排：为避免内容越推越窄，将精排后的推荐结果进行一定修改，例如控制某一类型的频次。强规则：根据业务规则进行修改，例如在活动时将某些文章置顶。
在这里插入图片描述例如在抖音与快手的分发中：抖音强平台基于内容质量分发，快手轻平台基于社交和兴趣分发，抖音：内容质量>关系>双向互动。快手：内容质量 约等于 关系 > 双向互动。抖音基于将内容从小流量开始，其中表现优质的内容将不断的进入更大的流量池中，最终进入推荐池，形成 90 天+精品召回池，最终的结果也是优质内容的热度随着时间推移逐渐累积增加，头部内容的集中度很高。
在这里插入图片描述来源：方正证券《抖音 vs 快手深度复盘与前瞻-短视频 130 页分析框架》
2.1.1 召回策略召回的目的：当用户与内容的量级比较大，例如对百万量级的用户与内容计算概率，就会产生百万*百万量级的计算量。但同时，大量内容中真正的精品只是少数，对所有内容进行一次计算将非常的低效，会浪费大量的资源和时间。因此采用召回策略，例如热销召回，召回一段时间内最热门的 100 个内容，只需进行一次计算动作，就可以对所有用户应用。召回的重要性：虽然精排模型一直是优化的重点，但召回模型也非常的重要，因为如果召回的内容不对，怎么精排都是错误的。召回方法：召回的策略不应该是简单的策略堆砌，而应该是方法的相互补充。 热销召回：将一段时间内的热门内容召回。 协同召回：基于用户与用户行为的相似性推荐，可以很好的突破一定的限制，发现用户潜在的兴趣偏好。 标签召回：根据每个用户的行为，构建标签，并根据标签召回内容。 时间召回：将一段时间内最新的内容召回，在新闻视频等有时效性的领域常用。是常见的几种召回方法。2.1.2 精排策略精排模型的不同类别
在这里插入图片描述精排模型的基本原理
在这里插入图片描述2.2 常见推荐算法介绍
在这里插入图片描述参考：Learning and Reasoning on Graph for Recommendation
http://staff.ustc.edu.cn/~hexn/slides/cikm19-tutorial-graph-rec.pdf
推荐算法大致可以分为以下几种类型：
基于流行度的算法协同过滤算法（collaborative filtering）基于内容的算法基于模型的算法混合算法基于流行度的算法