Find N3入網：最高支持16+1TB
OPPO將于近期登場的Find N3折疊屏目前已經正式入網，型號為PHN110。本次Find N3在外觀方面相比前兩代有很大的變化，不再是小號的橫向折疊屏，而是跟別的廠商一樣采用了較為常見的
圖片
圖片
圖片
冷啟動：在用戶沒有任何歷史行為數據的情況下，推薦系統需要通過其他方式進行推薦。常見的方法有：
基于內容的推薦：通過分析內容本身的特征進行推薦，例如文章的主題、關鍵詞、產品的屬性等。主要步驟包括：
基于行為的推薦：通過分析用戶的行為數據（如瀏覽、點擊、購買等）進行推薦，主要包括以下方法：
用戶協同過濾：推薦與當前用戶有相似行為的用戶喜歡的內容。
物品協同過濾：推薦與當前用戶喜歡的內容相似的其他內容。
相關性計算：在推薦過程中，計算用戶與內容之間的相關性評分。常見的方法有：
結果排序：根據相關性計算的評分對推薦結果進行排序，同時考慮其他因素，如：
推薦工程架構：為了實現上述步驟，推薦系統需要有一個穩定、高效的工程架構支持，主要包括：
圖片
圖片
圖片
圖片
功能：用戶界面，負責展示推薦的Feed流。
流程：用戶請求首頁推薦Feed流，App客戶端將請求發送到推薦系統。
功能：統一處理所有推薦請求的入口。
流程：接收App客戶端的推薦請求并將其轉發到推薦邏輯層。
功能：處理推薦請求的核心邏輯。
參數驗證：驗證請求參數是否合法。
拼裝ES請求參數：將請求參數轉換為ElasticSearch所需的格式。
結果過濾和去重打散：對搜索引擎返回的結果進行過濾、去重和打散處理。
渲染返回結果：將處理后的推薦結果返回給推薦網關層。
功能：從搜索引擎中召回相關數據。
工具：使用ElasticSearch進行數據召回。
功能：根據一定的規則對推薦結果進行排序。
規則：排序規則基于人工確定的權重和規則。
排序層
召回層
功能：高效地搜索和返回匹配的數據。
流程：根據拼裝好的請求參數從索引中檢索數據并返回給推薦邏輯層。
召回源單一：系統只從一個數據源中召回推薦內容。
基于人工規則排序：排序規則是預先定義好的，缺乏個性化和動態調整。
全局排序，無個性化：推薦結果對所有用戶都是一樣的，沒有個性化定制。
不支持線上ABTest：無法進行AB測試來優化推薦策略。
特點：
簡單易實現：架構簡單，適合初期搭建和快速上線。
易于維護：全局規則和單一召回源使得系統容易維護。
缺乏個性化：無法根據用戶的個性化需求提供定制推薦，用戶體驗較差。
擴展性差：不支持AB測試和動態調整，不利于系統的持續優化和改進。
性能瓶頸：隨著用戶和數據量的增加，系統可能會面臨性能瓶頸。
圖片
功能：用戶界面，負責展示推薦的Feed流。
流程：用戶請求首頁推薦Feed流，App客戶端將請求發送到推薦系統。
功能：統一處理所有推薦請求的入口。
流程：接收App客戶端的推薦請求并將其轉發到推薦排序層。
ABTest分組試驗：支持AB測試，可以對不同用戶群體使用不同的推薦策略。
記錄推薦血統：記錄推薦的路徑和決策，便于分析和優化推薦效果。
過濾、去重和打散：對召回的結果進行過濾、去重和打散處理，以提高推薦的多樣性和質量。
召回源分層排序：基于召回源進行排序，使用了Item-Based協同過濾（Item-Based CF）和用戶/商品畫像等算法。
細粒度控制策略：通過細粒度的策略控制推薦的細節，如權重分配、優先級設定等。
搜索引擎（ElasticSearch）：高效地搜索和返回匹配的數據。
Redis：作為緩存系統，加速數據的讀寫，提高系統響應速度。
SparkETL：通過ETL流程計算用戶特征和商品相似度。
Flume和Kafka：用于實時收集和處理用戶的實時畫像數據。
日志收集：收集曝光日志、點擊日志、評論日志和收藏日志等用戶行為數據。
數據處理：
引入個性化召回源：支持基于用戶興趣、行為和偏好的個性化推薦。
支持ABTest：可以進行AB測試，優化和驗證不同的推薦策略。
記錄推薦血統：追蹤推薦結果的生成路徑，便于分析和改進推薦算法。
個性化推薦：引入個性化召回源，能夠根據用戶的行為和偏好提供個性化的推薦，提升用戶體驗。
支持ABTest：能夠通過AB測試不斷優化推薦策略，提高推薦效果。
日志記錄和數據處理：詳細的日志記錄和強大的數據處理能力，為推薦系統的優化和改進提供了數據支持。
實時性：通過Flume和Kafka實現用戶實時畫像，能夠實時調整推薦策略。
復雜度提高：系統復雜度顯著提高，需要更多的資源和技術支持。
維護成本增加：個性化推薦和數據處理的引入，使得系統的維護和調優成本增加。
數據依賴性強：推薦效果高度依賴于數據質量和數據處理的準確性。
功能：用戶界面，負責展示推薦的Feed流及其他推薦內容（如找相似、猜你喜歡等）。
流程：用戶請求推薦內容，App客戶端將請求發送到推薦系統。
功能：統一處理所有推薦請求的入口。
流程：接收App客戶端的推薦請求并將其轉發到推薦排序層。
ABTest分組試驗：支持AB測試，驗證和優化不同推薦策略。
記錄推薦血統：記錄推薦結果的生成路徑，便于分析和優化推薦效果。
過濾、去重和打散：對召回的結果進行過濾、去重和打散處理，提高推薦多樣性和質量。
機器學習驅動排序：通過機器學習算法進行排序，實現個性化推薦。
CF實時挖掘：協同過濾算法的實時計算，提供動態推薦。
用戶實時興趣：根據用戶的實時行為數據調整推薦內容。
細粒度控制策略：通過細粒度的策略控制推薦的細節，如權重分配、優先級設定等。
推薦召回層
統一召回服務：整合不同的召回源，提供統一的召回服務。
特征服務：基于用戶特征和商品特征進行召回。
搜索引擎（ElasticSearch）：高效地搜索和返回匹配的數據。
Redis集群：作為緩存系統，加速數據的讀寫，提高系統響應速度。
日志與數據處理
Spark離線ETL：通過ETL流程計算用戶特征和商品相似度。
Flume和Kafka：用于實時收集和處理用戶的實時畫像數據。
Stream實時接數：實現實時數據流處理，支持實時推薦策略調整。
日志收集：收集曝光日志、點擊日志、評論日志和收藏日志等用戶行為數據。
數據處理：
立體監控系統：對系統各個環節進行實時監控，確保系統穩定運行。
實時召回策略：根據實時數據調整召回策略，提高推薦的時效性。
實時特征：利用實時用戶行為數據進行推薦，提升用戶體驗的及時性。
機器學習驅動排序：通過機器學習算法實現排序，提升推薦的精準度和個性化水平。
實時化數據：引入實時數據處理，動態調整推薦策略和內容。
DSL靈活編排組件：使用DSL（領域特定語言）靈活編排各個推薦組件，提高系統的可配置性和可擴展性。
全面微服務化：將系統各部分功能模塊化，部署為微服務，提升系統的靈活性和維護性。
個性化推薦：通過機器學習和實時數據處理，實現高度個性化的推薦，提升用戶體驗。
實時性：實時處理用戶行為數據，動態調整推薦策略，保持推薦內容的時效性。
高擴展性：系統全面微服務化和組件化，提升系統的可擴展性和維護性。
靈活性：使用DSL靈活編排各個推薦組件，方便進行策略調整和功能擴展。
復雜度提高：系統架構復雜度進一步增加，需要更多的技術支持和資源投入。
維護成本增加：實時數據處理和機器學習算法的引入，使得系統的維護和調優成本增加。
數據依賴性強：推薦效果高度依賴于數據質量和數據處理的準確性，需保證數據的及時性和準確性。
圖片
本文鏈接：http://www.tebozhan.com/showinfo-26-98196-0.html智能個性化推薦系統設計與實踐，你學會了嗎？
聲明：本網頁內容旨在傳播知識，若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
上一篇： 如何使用 React Query 做下拉數據自動刷新？
下一篇： 解密Lego：客戶端日志系統的演進
Copyright ? 2016-2023 天津谷騏科技有限公司 版權所有 sitemap.xml
違法及侵權請聯系：2376512515@qq.com 津ICP備18001702號
津公網安備 12010102000574號