技术架构包括：

1. 数据部分
   数据的产生和基础处理： 客户端、服务端实时数据（秒级延迟）--》流处理平台spark等（分钟延迟）---》大数据平台（小时级延迟）离线数据处理

流计算平台数据的使用：

1. 实时更新特征，供模型使用
2. 实时产出模型效果，abtest

批数据处理使用：

1. 生成训练样本、离线训练

2. 效果监控、评估

3. 模型部分
   召回层--排序层---补充策略层（多样性、冷启动、新鲜度等）
   效果的评估： 离线评估、线上AB测试

作为策略同学，在实践推荐系统中需要考虑哪些问题？

1. 使用哪些特征？ 特征如何进行预处理？
2. 如何做召回？ 召回的衡量指标？
3. 如何做推荐？ 推荐的衡量指标？
4. 实时性
5. 优化目标
6. 如何基于用户动机改进模型结构？

推荐系统的特征工程：

特征分类包括：

1. 用户行为数据
   显性反馈行为： 评分 赞踩等
   隐性反馈行为： 点击 播放 收藏
2. 用户关系数据
3. 属性、标签类： 针对用户的用户画像； 针对物料的内容理解
4. 上下文信息: 推荐行为发生的场景的信息
5. 统计类特征：ctr cvr等

特征处理方法：

1. 连续特征： 归一化、离散化（防止过拟合）
2. 类别型特征： one-hot, multi-hot---特征过于稀疏；embedding

如何做召回

1. 多路召回
2. 基于embedding的召回方法

推荐系统的实时性

特征的实时性|| 模型的实时性

模型的实时性：
三种方式： 全量更新、增量更新、在线学习

优化目标

youtube推荐模型： 观看时常
alibaba推荐模型： ctr结合cvr，多目标：ESMM

根据用户动机选择合适的模型

1. 阿里巴巴的eien模型：
   用户的兴趣进化--》GRU序列模型
2. netflix:
   明星粉丝---》影片预览图个性化模型
3. roku
   页面交互---信息挖掘