市面上的主流app，大多数情况下不同的用户看到的页面都是不同的，这里面就有一个推荐的因素了。
那么我们如果想要做推荐，首先需要实现的当然是千人千面，也就是不同的人推荐展示的内容是不一样的，再有就是需要根据场景去推荐。
推荐的方法
基于规则的推荐：可以按照销量、品类等方式来推荐。
基于传统机器学习的推荐：是根据海量的用户的历史行为或门店用户的特征等。当然，上面说的推荐都是基于机器学习的算法。
基于深度学习的推荐：基于神经网络的算法，可以更深层次的发掘用户的诉求，通过不断地反推递归来计算。
推荐模型
规则模型：有明确的规则定义，有简单的算数公式。
机器学习模型训练：数据训练后的算数公式。虽然也有调节的过程，但更多的会依赖历史行为上的数据，只要这些数据足够好，就可以推算出算数公式。
机器学习模型预测：待预测数据经过训练模型算数公式后的结果。例如有用户的基本数据和历史行为，那么就可以拿这些数据跟我们门店的特征共同做训练。算出算数公式。
模型评价指标
离线指标：查全率、查准率、auc（是否预测对的比预测错的更靠前）等
在线指标：点击率、交易转化率等
A/B测试：A组和B组的公式同时测试，看哪个好。
推荐系统架构
先说一下召回排序和重排，召回相当于根据用户习惯，从一堆数据中心选取其中前100个，然后将前100个商品用另一种算法精排，然后进行第三次排序，这里的重排可以将例如做广告的上架的排序提前。一般三种排序的算法都是不一样的。
再说下数据层，在线数据采集是指用户的行为，例如点击、交易等，离线数据采集是指业务数据库的数据等，这些数据都可以归到大数据平台，供机器学习来使用。离线召回模型是指从大数据平台抽取想要的数据训练的模型。协同过滤大概就是指：AB两个用户的行为都很类似，有一天B新添加了一个商品，那么就把这个商品推荐给A。然后通过模型计算后将数据存到存储设备中，这样，当用户访问的时候，粗排可以从中拿取数据。
个性化召回算法ALS
ALS是最小二乘法，他利用矩阵分解的结果无限逼近现有数据，得到隐含特征。再利用隐含的特征预测其余结果。
先看下表格，4个用户，user2浏览过商品2和商品3，不管浏览了几次，都记做1分，user1购买过商品1，所以在1分的基础上再加2分，也就形成了我们这个矩阵表格。
| 商品1 | 商品2 | 商品3 | |
| user1 | 3.0 | ||
| user2 | 1.0 | 1.0 | |
| user3 | 3.0 | ||
| user4 | 1.0 |
而推荐系统需要做的是挖掘用户的潜在需求，就是预测没有数值的矩阵。这就是ALS要做的事情。
那ALS是怎么做的呢？
有两个表：
| 特征1 | 特征2 | 特征3 | 特征4 | 特征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 |
| 特征1 | 特征2 | 特征3 | 特征4 | 特征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 |
每个user和每个商品都会有五个特征，当然两个表中的特征可以不一样，但是数量必须一样，而且有相对应的打分。然后通过
个性化排序算法LR
LR，也叫逻辑回归。看一个公式：
Y=ax1+bx2+cx3+dx4...
排序的问题在某些意义上也可以看成是点击率预估，公式中x1x2x3这些可以看成是用户的特征，例如x1是年龄，x2是性别等等，在公式中，每个特征都有一个权重abcde等，结果会得到一个Y，越趋近1代表点击概率越大。这是个预测的过程。
LR算法也就是要算出abcde，在大数据平台会采集Y的样本，可能是1也可能是0，上面途中，蓝色为正样本，紫色为负样本，也lr需要推算出红线，等学习出红线以后，就可以做预测了，新进来一个x点，可以根据红线来推算这个点是正样本的概率大还是负样本的概率大。这就是比较简单的逻辑回归的排序算法原理。
决策树算法
决策树算法，事实上是一个多重分类选择器组合承德结果，也就是输入一个参数，根据这个参数返回1/0，举个例子的话，可以想象成以前杂志上的那种心理测试题。通过多个选择，获得一个结果。
那么如何定义决策树的每个节点的特征呢？原则上越能分出绝大部分特征的越往上。如何衡量？数学上有一个名词叫做信息熵，来衡量信息量的大小，也就是对随机变量不确定的一个衡量，熵越大，不确定性越大。
举个例子，天气有晴天、多云、雨天，温度有冷、热、适中，湿度有高、中等，风有有风、无风，最后有个结果，是否出去玩。
那么我们如何构建这个抉择树？我们选取熵大的节点放在上面，依次往下。离散特征直接按照分类选择器，连续特征可以用二分、三分等分类方式进，例如小20岁，20-40等等。
对于决策树的缺点：样本特征过多时，树的高度太高。样本特征本身有问题时，如果过拟合，会对预测产生偏差。
为了避免决策树的缺点，我们对决策树衍生出了两种算法：随机森林法和GBDT
随机森林：通过随机的选择样本（放回抽样），也就是随机选择几个样本，几个特征，生成一个决策树，放回去再随机选择样本生成决策树，这样就可以生成随机森林。最后在测试阶段，把所有决策树的结果汇总到一起取平均数。
当然，随机的缺点也就是不确定性，既是优势、又是劣势。基于这个，衍生出了另一种算法：GBDT
关于GBDT，顺序为：
从初始训练集中得到一个基准学习器。
用基准学习器预测训练样本并调整做错样本属性的权重。
反复迭代生成T个学习器
T个学习期串行预测加权结合
对于GBDT，它是以第一棵树作为基准，逐步调整，所以这样出来的树也就更准确了。