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。
目录
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。
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。
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。
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。
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。
本文为阿里云原创内容
联系客服
