推荐系统一基本流程讲解
1、基于物品的协同过滤（ItemCF）通过识别用户可能感兴趣物品的相似性来推荐。例如，如果用户喜欢“推荐系统实战”，且与“深度学习推荐系统”高度相似，而用户未接触过后者，系统会推荐“深度学习推荐系统”。相似度计算通常基于用户重合度比例，可以通过向量的点积和余弦相似度公式来衡量。
2、推荐系统的基石是协同过滤算法，它分为用户行为导向（User-Based）和内容导向（Item-Based）两种策略。User-Based通过计算用户行为向量的相似度来推荐，例如，用户A的向量可能为(1， 4， 1， 2)，而用户B的向量为(4， 1， -1， 1)。
3、个性化推荐：根据用户的历史行为，推荐给用户想要的内容；和相关推荐不同，相关推荐的前提是，要现有一个内容。前两种推荐都比较容易实现，这里主要说一说个性化推荐（直说整体的架构，至于一些细节，比如推荐算法，我也凉凉）。
4、其背后的推荐机制和流程复杂而高效。首先，理解抖音的双重审核机制，即机器审核与人工审核相结合，是关键点。然而，鉴于海量内容，人工审核不可行，初期主要依赖机器进行初步筛选。这时，账号的标签识别变得至关重要。
5、在推荐系统的召回路径中，i2i（item 到 item）、u2i（user 到 item）、u2i2i（从用户到一个物品再到另一个物品）、u2u2i（从一个用户到另一个用户再到一个物品）、u2tag2i（中间节点是Tag标签）以及基于图的算法（u22i*）都是常见的召回路径。
深入理解推荐系统:Fairness、Bias和Debias
1、深入理解推荐系统：Fairness、Bias和Debias 推荐系统的公平性（Fairness）是一个重要议题，它关乎用户、物品与平台三方的平衡与和谐。本文将从四个方面解析公平性问题、解决方案、相关比赛和参考文献。Fairness相关问题推荐系统是否公平？答案并非绝对。公平性在于不同视角下的平衡。
什么是抖音的推荐系统?
当有人推荐了你的抖音作品，这意味着他们在抖音平台上看到了你的内容，并认为它值得分享给其他人。推荐可能来自于用户的个人喜好、内容的创新性或娱乐性，或者是作品与当前趋势或热门话题的关联性。在抖音这样的社交媒体平台上，内容的传播主要依赖于用户的互动，如点赞、分享和评论。
详细来说，抖音的推荐系统是基于一系列复杂的算法来工作的，它会考虑多种因素来决定一个视频是否应该被推荐给某个用户。这些因素包括但不限于视频的内容、用户的观看历史、互动行为（如点赞、评论和分享）、视频的热度（如观看次数、点赞数等）以及用户的地理位置和语言设置等。
抖音的短视频推荐机制是一个复杂的系统，它综合考虑了初始曝光、用户互动、个性化偏好和时间因素。理解并善用这些机制，有助于提升视频内容的可见度和影响力。
推荐系统是如何做召回的?
推荐系统的召回环节是筛选和整理内容，以便后续排序阶段能高效地提供匹配用户偏好的推荐。召回环节通过筛选出初步匹配的内容集合，从而缩小后续排序的范围，提高效率。常见的召回策略包括属性倒排和基于协同过滤的候选生成。属性倒排利用商品属性（如销量、点击率等）进行召回，生成商品列表供后续排序。
推荐场景中的召回模型在不断演进与优化，从传统的基于协同过滤的方法发展到引入深度学习的模型，如单Embedding向量召回、双塔模型召回、多Embedding向量召回，以及结合用户长期和短期兴趣建模的策略。
推荐系统中，召回算法起着关键作用，它在排序策略中扮演着多路分担的角色。召回过程涉及主路和旁路两种路径，主路负责个性化推荐，类似于粗排的简化入口，而旁路则是为解决主路问题而增设的，如遇到主路排斥某些类型的内容时，会专门设立旁路召回。
