认识达内从这里开始

认真做教育专心促就业

太原大数据培训推荐系统常见用途

发布：太原达内教育官网
来源：互联网
时间：2020-09-18 08:36

推荐系统是大数据分析应用的一个重要表现形式，而今天我们就通过案例分析来了解一下，用户推荐系统的常见发展方向。

太原大数据培训推荐系统常见用途

1、场景更丰富：早期做推荐的时候，推荐的开发门槛和成本很高，一个网站集中精力维护好一个场景，那时的场景可能就是主页下方的"猜你喜欢"。到了现在，多端，多个资源位，更多的细分场景都会有推荐需求。举个例子，从进入页面的"猜你喜欢"，导航九宫格的推荐，再到列表页或下单页的"看了又看"，“买了又买”，乃至在一个资源位上多个时段都有个性化的需求。在技术层面上，过去一个系统支撑一个场景或者一种模式，或者为了简单，一个架构，一个数据流，一个模型勉强应付多个场景，已无法满足业务精细化运作的需要。现在，一个推荐系统需要支持很多的场景，不同的场景也需要有不同的数据流，业务逻辑，模型来深入刻画;另一方面，早期做推荐系统是一个门槛很高的事情，对工程、算法的要求比较高，且业务逻辑高度定制，很难标准化、低门槛的开发，而现在随着场景越来越丰富，推荐需求的旺盛增加，原来的工作模式已不能满足需要，推荐场景开发需要向灵活化，标准化，规模化发展。

2、运营更精细：从简单规则(比如像置顶，置底，黑白名单过滤)向复杂规则转变，通用规则向个性化规则转变;技术主导变为技术+业务联营。推荐系统的效果好坏不再全是技术主导，业务也利用内容物料，规则玩法等运营手段发挥重要的作用。

3、服务更实时：早期推荐模型都是基于历史数据采用离线批量的方式构建，离线的特征，离线的模型，导致系统时效性差，用户实时或近实时行为的影响无法体现在推荐的结果中，用户体验不好。让用户能够更快感受到变化，批量非实时向流式实时闭环推荐发展是推荐效果提升的必然趋势。

4、未来的重要趋势：系统更智能，更知心。早期的一些简单算法或者规则，被更丰富，更复杂的AI算法所替代。推荐系统与AI结合的越来越紧密。推荐系统已经成为AI赋能的重要场景之一，如何构建一套对AI友好的推荐系统，在技术上也是一个很大挑战。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!更多内容请在707945861群中学习了解。

< 上一篇：软件测试程序员常用的测试工具都有哪些

下一篇：用户推荐系统结构与技术挑战都有哪些 >