BT

架构师特刊:推荐系统(实践篇)

| 作者 InfoQ中文站 发布于 2016年5月28日 道AI风控、Serverless架构、EB级存储引擎,尽在ArchSummit!

目录

第1章 微博推荐架构的演进

第2章 Netflix的推荐系统和架构

第3章 博客推荐系统

第4章 Spotify每周歌曲推荐算法解析

第5章 达观个性化推荐系统实践

序言

陈运文 博士 达观数据CEO

推荐系统从诞生的第一天起,就是在产业界需求的伴随下不断孕育和成长。不论是最朴素的思路,还是高深晦涩的算法,实践运用中的效果,才是推荐系统最核心的关注点。因此无论是何种理论或架构,一定是要经受住前线的炮火锤炼,才能经久不衰。

通过这期技术特刊,我们总结了工业界在推荐系统的实践运用中的各类经验,集中展示了如何将理论与实践结合,开发出一个效果优秀、运行可靠的推荐系统。

实践中,应用场景的多样性是最常遇见的问题——待推荐的物料在电商、媒体、教育、招聘等行业中各不相同,它既可以是商品,也可以是新闻、小说、歌曲、视频等等……,针对不同的运用场景,需要我们因地制宜的对算法和模型进行优化,这里有很多的经验与大家分享。

随时间动态变化的数据,也是需要处理的关键一环。用户的行为数据源源不断的产生并动态变化,设计良好的推荐系统,不能仅仅局限于静态的算法和模型生成,还需要有能力将动态的数据融合进来,快速的捕捉行为数据、动态的调整推荐结果、准确的把握推荐的时机,这里考验的是推荐系统的架构能力。

推荐系统架构的稳定性、延展性也是不容忽视的。与实验室的模拟环境不同,生产环境的系统一旦上线运转后,不仅要承受每秒千万次的服务调用,还需要不断的进行扩展和升级,因此设计一个灵活可扩展的架构,才能不断吸纳新的算法和模型,同时保证系统长期稳定的服务。

推荐系统是通过机器学习技术,挖掘数据背后的规律,不断刻画用户需求,洞察人性的过程。真实世界里的数据是纷繁杂乱的、用户的兴趣是多样且变幻的,这也是充满挑战和乐趣的课题,只有在实践中反复锤炼,才能让推荐系统精益求精,充分的发挥价值、闪耀光芒。

知识是珍宝,而实践是开启它的那把钥匙。

BT