工业级推荐系统如何架构？推荐一个开源项目

2021 年 7 月 7 日 夕小瑶的卖萌屋

如果说互联网的目标就是连接一切，那么推荐系统的作用就是建立更加高效的连接了。

不得不说抖音的推荐系统，太厉害了。刷了啥，立刻记住你的偏好，推荐相似内容，一不小心 2 小时就过去了，让人欲罢不能，要么日活 6 亿呢。

其实“推荐系统”从没像现在这样，影响着我们的生活。除了抖音、快手这类短视频，还有网购时，天猫、京东会为你推荐商品；想看看资讯，头条、知乎会为你准备感兴趣的新闻等等。

而驱动这些巨头进行推荐服务的，都是基于深度学习的推荐模型。

想起 2019 年阿里的千人千面系统，促成了天猫“双 11” 2684 亿成交额。假设通过改进商品推荐功能，使平台整体的转化率提升 1%，就能在 2684 亿成交额的基础上，再增加 26.84 亿。这就是推荐工程师的最牛的地方，也是为啥人能拿百万年薪的原因。

但在一个成熟的推荐系统上，找到提升的突破点并不容易——不能满足于协同过滤、矩阵分解这类传统方法，而要建立起完整的“深度学习推荐系统”知识体系，加深对深度学习模型的理解，以及大数据平台的熟悉程度，才能实现整体效果上的优化。

所以假期除了刷抖音，我又重新看了看《深度学习推荐系统》这个专栏，2 刷有不少新的启发。作者王喆，Roku 推荐系统架构负责人，也是咱圈里的大佬，一直深耕在推荐系统、计算广告领域，经验非常丰富。他之前出过同名的书，豆瓣评分 9.3，相当高。

当年我看书的时候，就感觉实践太少，偏模型原理。所以在听说王喆开了个实践专栏时，第一时间就订阅了，跟着学下来，受益匪浅。让我完整地把推荐系统的原理捋了一遍。下面王喆总结的「核心知识图谱」，建议收藏。

最重要的是，实操性特别强。王喆特地为了这个专栏，开发了一个开源项目「 SparrowRecsys」，能让你亲手尝试，搭建一套完整的深度学习推荐系统（下面有详细介绍，贼有意思）。可以说是书的实践版本，里面加入了更多技术细节的实现和讨论。

毫不夸张的说，这个专栏让我对深度学习推荐系统的认知，提升到了一个新高度，所以很想把它推荐给你，扫码免费试读👇

限时秒杀+口令「happy2021」

到手仅 ¥89 ，原价 ¥129

新用户到手仅 ¥59.9

王喆这课，为啥值得买？

先来说说这个 SparrowRecsys 推荐系统。王喆把它叫做“麻雀推荐系统”，取“麻雀虽小、五脏俱全”之意，它利用了开源的 movielens 数据集，搭建起了包括：

Spark、Flink 特征工程

TensorFlow 深度学习模型训练

TensorFlow Serving 模型服务

Redis 在线特征数据库

Jetty Server 推荐服务器

JS 前端实现

以上这些在内的，一整套深度学习推荐系统。不说它能支撑起一个中大型公司的推荐系统，但是毫无疑问，它可以成为一个工业级推荐系统的种子项目。而这一切，都能在课程里，一步步尝试搭建起来。

最后你实现的推荐系统会是这个样子👇

SparrowRecSys的首页

SparrowRecSys的相似电影推荐页

在这些前端页面的背后，是你能实现的一个又一个深度学习模型：

对于电影的相似推荐功能，王喆会使用各种 Embedding based 的方法，比如 item2vec，graph embedding 等等。
对于推荐功能，会基于 TensorFlow 实现Embedding MLP，Wide&Deep，NerualCF，Two Towers，DeepFM，DIN 等等深度学习模型，然后使用 TensorFlow serving 去进行模型服务。
对于召回层、排序层这些推荐逻辑，也会全盘在基于 Jetty 的推荐服务器中实现。

整个项目整体的技术架构是下面这个样子的：

SparrowRecSys的技术架构