一线大厂解读：最懂你的推荐系统，是怎么搭建的？|大数据

获取信息是人类认知世界、生存发展的刚需，搜索和分类导航是比较经常使用的方式，好比聚餐想吃火锅的时候会在大众点评输入火锅检索，搜索引擎会根据价格、地点、好评率等因素综合排序，给你一个最匹配的结果。

这是一种主动获取信息的方式。但不少时候会出现这种状况，你的浏览行为是无目的性的，好比看淘宝主页的猜你喜欢、百度封面的推荐阅读、刷抖音时接连出现的视频……

在大数据环境下，这种被动接受信息的懒人式信息获取方式被更多的人接受，推荐系统（Recommendation System）俨然成为一种标配了，一款APP若是连推荐系统都没有，都很差意思拿出手。

而在电商领域，推荐的价值在于挖掘用户潜在购买需求，缩短用户到商品的距离，提高用户的购物体验，像亚马逊、Netflix都经过推荐系统产生了极大的商业利润，亚马逊整个体系中已经有20%~30% 的 GMV 是经过推荐带来的，****推荐系统每一年为Netflix产生的商业价值就超过10亿美圆。

一个完整的推荐系统主要包括数据建模、用户建模、推荐引擎3个部分。如图1所示：

数据建模：负责对拟推荐的物品数据进行准备，将其表示成有利于分析的数据形式，肯定要推荐给用户的候选物品，并对物品进行分类、聚类等预处理。

用户建模：负责对用户的行为信息进行分析，从而得到用户的潜在喜爱。用户的行为信息包括问答、评分、购买、下载、浏览、收藏、停留时间等。

推荐引擎：利用后台的推荐算法，实时地从候选物品集合中筛选出用户感兴趣的物品，排序后以列表的形式向用户推荐。推荐引擎是推荐系统的核心部分，也是最耗系统资源和时间的部分。

这三部分总结起来就是：推荐算法选择认为合适的(效果好的)的算法模型，将算法模型部署到线上推荐业务中，利用算法模型来预测用户对物品的偏好，经过用户的真实反馈(是否点击、是否购买、是否收藏等)来评估算法效果，它的本质上就是一个机器学习问题。

那么推荐召回是怎么回事？如何正确使用合适的算法模型？TB、PB级别的数据涌入对算法模型的选取有哪些影响？该如何优化？有哪些开源大数据推荐软件？

本期菜鸟窝邀请到阿里算法工程师sam开设了一堂免费直播课，他在推荐系统和内容理解方面有丰富经验，曾就任德企作无人驾驶相关工做，熟练掌握MapReduce、 Spark 、Hive等大数据处理框架，Pytorch、Tensorflow等深度学习框架，熟悉各种机器学习算法。

Chris老师 阿里算法工程师

7年+算法从业经验，现任职于阿里，曾领导搭建某上市游戏平台算法团队，在智能数据、机器学习、深度学习算法落地等方向有丰富的实践经验。

内容精华：

1.什么是推荐系统
2.推荐系统评测
3.推荐系统经常使用流程（召回、排序、打散）
4.推荐系统三个重要模块
5.推荐系统和大数据是如何碰撞出火花的

推荐系统的视频讲解请戳连接：https://www.cniao5.com/course/10244
勾搭助教weixin：BT474849，免费加入高手汇集的大数据学习交流群~