市面上的主流app，大多數情況下不同的用戶看到的頁面都是不同的，這裏面就有一個推薦的因素了。
那麼我們如果想要做推薦，首先需要實現的當然是千人千面，也就是不同的人推薦展示的內容是不一樣的，再有就是需要根據場景去推薦。
推薦的方法
基於規則的推薦：可以按照銷量、品類等方式來推薦。
基於傳統機器學習的推薦：是根據海量的用戶的歷史行爲或門店用戶的特徵等。當然，上面說的推薦都是基於機器學習的算法。
基於深度學習的推薦：基於神經網絡的算法，可以更深層次的發掘用戶的訴求，通過不斷地反推遞歸來計算。
推薦模型
規則模型：有明確的規則定義，有簡單的算數公式。
機器學習模型訓練：數據訓練後的算數公式。雖然也有調節的過程，但更多的會依賴歷史行爲上的數據，只要這些數據足夠好，就可以推算出算數公式。
機器學習模型預測：待預測數據經過訓練模型算數公式後的結果。例如有用戶的基本數據和歷史行爲，那麼就可以拿這些數據跟我們門店的特徵共同做訓練。算出算數公式。
模型評價指標
離線指標：查全率、查準率、auc（是否預測對的比預測錯的更靠前）等
在線指標：點擊率、交易轉化率等
A/B測試：A組和B組的公式同時測試，看哪個好。
推薦系統架構
先說一下召回排序和重排，召回相當於根據用戶習慣，從一堆數據中心選取其中前100個，然後將前100個商品用另一種算法精排，然後進行第三次排序，這裏的重排可以將例如做廣告的上架的排序提前。一般三種排序的算法都是不一樣的。
再說下數據層，在線數據採集是指用戶的行爲，例如點擊、交易等，離線數據採集是指業務數據庫的數據等，這些數據都可以歸到大數據平臺，供機器學習來使用。離線召回模型是指從大數據平臺抽取想要的數據訓練的模型。協同過濾大概就是指：AB兩個用戶的行爲都很類似，有一天B新添加了一個商品，那麼就把這個商品推薦給A。然後通過模型計算後將數據存到存儲設備中，這樣，當用戶訪問的時候，粗排可以從中拿取數據。
個性化召回算法ALS
ALS是最小二乘法，他利用矩陣分解的結果無限逼近現有數據，得到隱含特徵。再利用隱含的特徵預測其餘結果。
先看下錶格，4個用戶，user2瀏覽過商品2和商品3，不管瀏覽了幾次，都記做1分，user1購買過商品1，所以在1分的基礎上再加2分，也就形成了我們這個矩陣表格。
| 商品1 | 商品2 | 商品3 | |
| user1 | 3.0 | ||
| user2 | 1.0 | 1.0 | |
| user3 | 3.0 | ||
| user4 | 1.0 |
而推薦系統需要做的是挖掘用戶的潛在需求，就是預測沒有數值的矩陣。這就是ALS要做的事情。
那ALS是怎麼做的呢？
有兩個表：
| 特徵1 | 特徵2 | 特徵3 | 特徵4 | 特徵5 | |
| user1 | 0.21 | 0.31 | 0.01 | 0.20 | 0.89 |
| user2 | 0.29 | 0.22 | 0.31 | 0.23 | 0.12 |
| user3 | 0.12 | 0.68 | 0.56 | 0.63 | 0.11 |
| user4 | 0.12 | 0.98 | 0.54 | 0.34 | 0.34 |
| 特徵1 | 特徵2 | 特徵3 | 特徵4 | 特徵5 | |
| 商品1 | 0.43 | 0.95 | 0.23 | 0.63 | 0.22 |
| 商品2 | 0.23 | 0.05 | 0.65 | 0.23 | 0.42 |
| 商品3 | 0.11 | 0.46 | 0.34 | 0.27 | 0.27 |
每個user和每個商品都會有五個特徵，當然兩個表中的特徵可以不一樣，但是數量必須一樣，而且有相對應的打分。然後通過
個性化排序算法LR
LR，也叫邏輯迴歸。看一個公式：
Y=ax1+bx2+cx3+dx4...
排序的問題在某些意義上也可以看成是點擊率預估，公式中x1x2x3這些可以看成是用戶的特徵，例如x1是年齡，x2是性別等等，在公式中，每個特徵都有一個權重abcde等，結果會得到一個Y，越趨近1代表點擊概率越大。這是個預測的過程。
LR算法也就是要算出abcde，在大數據平臺會採集Y的樣本，可能是1也可能是0，上面途中，藍色爲正樣本，紫色爲負樣本，也lr需要推算出紅線，等學習出紅線以後，就可以做預測了，新進來一個x點，可以根據紅線來推算這個點是正樣本的概率大還是負樣本的概率大。這就是比較簡單的邏輯迴歸的排序算法原理。
決策樹算法
決策樹算法，事實上是一個多重分類選擇器組合承德結果，也就是輸入一個參數，根據這個參數返回1/0，舉個例子的話，可以想象成以前雜誌上的那種心理測試題。通過多個選擇，獲得一個結果。
那麼如何定義決策樹的每個節點的特徵呢？原則上越能分出絕大部分特徵的越往上。如何衡量？數學上有一個名詞叫做信息熵，來衡量信息量的大小，也就是對隨機變量不確定的一個衡量，熵越大，不確定性越大。
舉個例子，天氣有晴天、多雲、雨天，溫度有冷、熱、適中，溼度有高、中等，風有有風、無風，最後有個結果，是否出去玩。
那麼我們如何構建這個抉擇樹？我們選取熵大的節點放在上面，依次往下。離散特徵直接按照分類選擇器，連續特徵可以用二分、三分等分類方式進，例如小20歲，20-40等等。
對於決策樹的缺點：樣本特徵過多時，樹的高度太高。樣本特徵本身有問題時，如果過擬合，會對預測產生偏差。
爲了避免決策樹的缺點，我們對決策樹衍生出了兩種算法：隨機森林法和GBDT
隨機森林：通過隨機的選擇樣本（放回抽樣），也就是隨機選擇幾個樣本，幾個特徵，生成一個決策樹，放回去再隨機選擇樣本生成決策樹，這樣就可以生成隨機森林。最後在測試階段，把所有決策樹的結果彙總到一起取平均數。
當然，隨機的缺點也就是不確定性，既是優勢、又是劣勢。基於這個，衍生出了另一種算法：GBDT
關於GBDT，順序爲：
從初始訓練集中得到一個基準學習器。
用基準學習器預測訓練樣本並調整做錯樣本屬性的權重。
反覆迭代生成T個學習器
T個學習期串行預測加權結合
對於GBDT，它是以第一棵樹作爲基準，逐步調整，所以這樣出來的樹也就更準確了。