个性化推荐算法的四大策略01

个性化推荐系统之所以能迅速占领各大 APP 的首要版块，取代很多人工运营的坑位，核心原因在于它可以在短时间内通过很短的路径让用户找到自己想要的商品，拉近了用户与商品之间的距离，即优化了流量分发效率，而这些都与个性化推荐系统中的推荐算法息息相关。

推荐算法架构 推荐系统的算法架构，通常分为离线架构和在线架构这两种。

1.离线架构 离线架构主要用来构建物品画像和用户画像，因为数据是算法的基础，底层数据的丰富程度决定了推荐能力的天花板。

比如系统通常不了解未登录用户的行踪，通过合适的引导，可以让访问推荐系统的用户未登录占比更低，从而大幅提升推荐系统的掌控力。再比如参考更丰富的用户行为（曝光、点击、点赞、停留时长、下载时长等等）和更多的用户特征（用户年龄、性别、地域、商品店铺、价格、类目等），也能大幅增强推荐系统的掌控力，而且这些参考因素越多越好。

从本质上来讲，算法系统是用来预测未来，但是如果过去什么都没有发生，预测出来的结果也就可想而知了。

2.在线架构 在线架构主要用来从海量物品池中选择合适的推荐的对象匹配给对应用户。在这个架构中，我们主要依靠检索技术（如协同过滤、内容过滤、用户偏好等）建立索引，然后根据索引生成第一步的结果。

其中涉及的工程技术主要是用来提升系统整体的响应速度、吞吐效率等，使得整个推荐系统能一次性查得更多、更快。

Cgp9HWF7wguAApk5AAHGrUvc-fY555.png

在线架构主要分为召回层、粗排层、精排层、融合和重排层这四大部分。

召回层：从物品库中根据多个维度筛选出潜在物品候选集，并将候选集传递给排序环节。在召回供给池中可以看到多个召回集，整个召回环节的输出量往往以万为单位。

粗排层：利用规则或者简单模型对召回的物品进行排序，并根据配额进行截断，截取出 Top N 条数据输出给精排层，配额一般分业务场景，例如对 58 同城本地服务推荐分品类进行配额，整个粗排环节的输出量往往以千为单位。

精排层：利用大量特征的复杂模型，对物品进行更精准的排序，然后输出给重排层（融合层），整个精排环节的输出量往往以百为单位。

融合和重排层：以产品策略为导向进行融合和重排，例如 58 同城本地服务推荐将商品、SKU、帖子、标签等不同展示元素融合在一个列表中，并且经过去除已曝光、去重、打散等策略，并根据点击回退在列表中插入新的信息来提升体验，最后生成用户可见的推荐列表，整个融合和重排环节的输出量往往以几十为单位。