AlinkLab推荐应用

简介

推荐系统一般分为四个阶段: 召回、粗排、精排和重排。召回从所有物品中筛选出上千物品，粗排/精排从上千物品中挑选出上百物品，重排根据业务目标重新排序，输出到业务。如下图，

AlinkLab推荐应用主要在召回层和精排层。

召回层

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，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品。这部分需要处理的数据量非常大，要求速度快，所有使用的策略、模型和特征都不能太复杂。

使用场景

在工业界，很少有同时实时更新物品表特征和用户表特征。下面介绍两种常用场景，其中U是用户，I是物品，A是作者，T是标签。

1. 物品更新速度远大于用户更新速度，一般会使用用户相关的推荐，实时或者近实时更新物品表，用户表模型按天更新。例如，

• U2U2I
• U2A2I
• U2A2A2I
• U2T2I

适用场景 —— 新闻推荐

• 新闻推荐强调抓住新闻热点，热门程度和时效性是个性化新闻推荐的重点，而个性化相对次要。新用户可以推荐最热门的新闻。用户表按天更新。
• 新闻网站中，新闻的更新速度远远快于新用户的加入速度。新闻的更新非常快，物品相关的表也需要很快更新。

2. 用户兴趣固定，物品更新速度不快场景，一般会使用物品相关的推荐，例如

• 协同过滤I2I
• U2I2I: 用户 -> 最近有过行为的物品 -> 每个物品找到相似物品(I2I)
• U2U2I: 用户 -> 找到相近的用户 -> 每个用户推荐物品(u2i)

实用场景 —— 图书、电子商务和电影网站：

• 在这些网站中，用户的兴趣是固定并且持久，用户大也不需要流行度来辅助他们判断物品的好坏，而是可以通过自己熟悉领域的知识自己判断物品的质量。
• 这些网站的物品更新速度不会特别快，一天一次更新物品相似度矩阵对它们来说不会造成太大的损失，是可以接受的。

召回方式

AlinkLab支持多种召回方式，可以进行多路召回

不同的应用使用不同的召回方式，以U2I为例，

精排层

特征处理

ALinkLab支持多种特征处理方式，包括

可以在精排 或者 通用推荐里使用

算法

AlinkLab支持多种精排算法，包括

AlinkLab推荐应用

应用

下面是AlinkLab推荐相关的应用

应用可以组合使用，例如 U2U + U2I = U2U2I; U2I + I2I = U2I2I; 召回 + 精排;

使用说明