推荐系统主要解决的是信息过载的问题，目标是从海量物品筛选出不同用户各自喜欢的物品，从而为每个用户提供个性化的推荐。推荐系统往往架设在大规模的业务系统之上，面临着用户的不断增长，物品的不断变化，并且有着全面的推荐评价指标和严格的性能要求（Netflix 的请求时间在 250 ms 以内，今日头条的请求时间在 200ms 以内），所以推荐系统很难一次性地快速计算出用户所喜好的物品，并且同时满足准确度、多样性等评价指标。为了解决如上这些问题，推荐系统通常被设计为三个阶段：召回、排序和调整，更多详细内容参考下面：
文章推荐系统系列的目录如下（可以点击标题阅读具体的文章）：
1、推荐流程设计
2、同步业务数据
3、收集用户行为数据
4、构建离线文章画像
5、计算文章相似度
6、构建离线用户画像
7、构建离线用户和文章特征
8、基于模型的离线召回
9、基于内容的离线和在线召回
10、基于热门文章和新文章的在线召回
11、基于LR的离线排序
12、基于FTRL模型的在线排序
13、基于Wide&Deep模型的在线排序
14、推荐控制中心
最后经过小编的整理，已经把14篇文章汇总成一个PDF了，获取方式为：关注公众号「搜索与推荐Wiki」回复[0117]获得。最后如果你觉得这份PDF文档或者这篇文章有价值，动动你的小手分享+在看走起！
扫一扫 关注微信公众号！号主 专注于搜索和推荐系统，尝试使用算法去更好的服务于用户，包括但不局限于机器学习，深度学习，强化学习，自然语言理解，知识图谱，还不定时分享技术，资料，思考等文章！
