生成时间: 2026-02-23 19:51 | 类型: 文章
原文链接: https://aws.amazon.com/cn/blogs/china/recommended-system-overview-of-recommended-system-series-part-1/?utm_campaign=New+message+4&utm_medium=email&utm_source=newsletter
【网页内容】 推荐系统系列之推荐系统概览（上） | 亚马逊AWS官方博客 Skip to Main Content Filter: 全部 English 联系我们 AWS Marketplace 支持 我的账户 搜索 Filter: 全部 登录控制台 创建账户 AWS Blog 首页 版本 亚马逊AWS官方博客 推荐系统系列之推荐系统概览（上） by AWS Team on 04 7月 2022 in Artificial Intelligence Permalink Share 在当今信息化高速发展的时代，推荐系统是一个热门的话题和技术领域，一些云厂商也提供了推荐系统的SaaS服务比如亚马逊云科技的 Amazon Personalize 来解决客户从无到有迅速构建推荐系统的痛点和难点。在我们的日常生活中，推荐系统随处可见，比如我们经常使用的亚马逊电商购物，爱奇艺视频，美团外卖，抖音短视频以及今日头条新闻，主播直播平台等等。我根据这几年参与的推荐系统和计算广告项目总结了一些实践经验并以推荐系统系列文章的形式分享给大家，希望大家看后对推荐系统有更全新更深刻的理解。这个系列文章包括：推荐系统概览，推荐系统中的召回阶段深入探讨，排序任务的样本工程，排序模型调优实践。更多细节以及更详细的内容可以参考我的 github repo 。 我们先介绍推荐系统概览，大致内容如下： 推荐系统简介 推荐系统中常见概念 推荐系统中常用的评价指标 首页推荐场景的通用召回策略 详情页推荐场景的召回策略 排序阶段常用的排序模型 重排阶段 推荐系统的冷启动问题 推荐系统架构 推荐系统简介 推荐系统可以分为广义推荐系统和狭义推荐系统（我们在今后的讨论只是关注狭义的推荐系统），参考下表： 特点 举例 广义推荐系统 给某个人推送/引荐/分配某个物 化妆产品套装推荐； 智能派活； APP/应用中的广告推送； 游戏礼包推荐 狭义推荐系统 从海量的物品池中挑出当前用户感兴趣的物品 电商商品推荐； 电影推荐； 音乐推荐； 主播频道推荐； 新闻资讯推荐 推荐系统就是根据用户的历史行为、社交关系、兴趣点、所处上下文环境等信息去判断用户当前需要或感兴趣的物品/服务的一类应用。推荐系统本身是一种信息过滤的方法，与搜索和类目导航组成三大主流的信息过滤方法。我们可以从不同的角度看推荐系统的用处：对用户而言，推荐系统能帮助用户找到喜欢的物品/服务，帮忙进行决策；对服务提供方而言，推荐系统可以给用户提供个性化的服务，提高用户信任度和粘性，增加营收。据说，Netflix有2/3 被观看的电影来自推荐系统，Google新闻有38%的点击量来自推荐系统；Amazon电商有35%的销量来自推荐系统的推荐。 对于很多人（包括曾经的我）常犯的一个观念错误是，推荐系统的工程实现与计算广告的工程实现是类似的，其实两者的实现差别很大，见下表： 计算广告 推荐系统 召回方法 主要是基于广告主设置的定向条件来召回 （计算广告的召回/匹配的条件是判断广告自身的定向设置、时段设置、素材尺寸是否和当前请求的用户属性、请求时间、广告位规格相匹配） 一般都是基于各种策略做召回，而没有基于类似广告中的定向条件的召回。 排序公式 竞价计算广告的排序公式会考虑biding价格，还可能有复杂的动态排序因子。 不涉及到价格因素 重排阶段 一般没有重排阶段 重排阶段会引入运营干预策略来影响最后的推荐列表的生成 延迟 DSP平台收到竞价请求到给出竞价结果的总延迟可能需要在10ms内 从收到请求到给出推荐列表的总延迟可能需要在100ms内 架构模式 由于更严格的延迟要求，架构常常是All in one process方式（即所有逻辑包括广告召回/匹配，过滤以及排序都在一个Ad server中处理） 可以选择是All in one process方式或者解耦方式（解耦方式是指把逻辑中的两个部分召回和排序分别用单独的服务来处理， Rec server分别与这两个服务交互） 推荐系统中常见概念 推荐系统常见的场景：首页推荐（更强调以用户为中心）和详情页推荐（更强调以物品为中心）。 个性化推荐与非个性化推荐: 个性化推荐几乎是当前主流的，是针对每个用户做不同的推荐即千人千面。首页推荐都会考虑个性化，详情页推荐也越来越考虑个性化了。非个性化推荐的常见方法有：整个大盘历史排行榜推荐（比如1年内的，1个月内的，1个星期内的）；每个类目历史排行榜推荐（比如1年内的，1个月内的，1个星期内的）；周期性与节日有关的推荐（比如国庆黄金周和圣诞假期的物品推荐）；突发事件相关的推荐（比如与突发传染疾病相关的物品推荐）；最新发布的物品的推荐（比如1周内）。 推荐系统的产品形态：物品即item的曝光形式（比如上下翻页，左右翻页以及他们的混合方法）；曝