推薦系統架構圖
2021-05-27 11:04:51 2 举报
推薦系統架構圖通常包括用戶端、伺服器端和數據庫三個部分。用戶端負責接收用戶的請求並顯示推薦結果,伺服器端則負責處理用戶請求並從數據庫中獲取相關數據進行分析和推薦。數據庫則存儲著所有用戶的行為數據和產品信息等。在實際應用中,還可以加入一些其他的模塊,如用戶畫像模塊、推薦算法模塊等,以提升推薦系統的效果。整個推薦系統的運作流程可以簡單描述為:用戶發出請求→伺服器接收請求並分析用戶行為→從數據庫中獲取相關數據→使用推薦算法進行分析和預測→生成推薦結果並返回給用戶。
作者其他创作
大纲/内容
推荐融合层
推荐结果信息填充
实时数据
Hive
实时过滤(历史/下线/黑名单)
排序推荐
排序预测
MapReduceSparkJava
Oracle
数据处理
数据采集
关联推荐
FTP/Flume/Sqoop
应答处理
搜索推荐
推荐召回层
Kafka
转化率评估
热门/分类热门
推荐请求
历史过滤/补白
标准化
数据库
实时训练
PythonHiveSpark
数据处理和基础分析
客户端后台
特征工程
内容画像
AB测试
深度学习推荐
调制融合
矩阵分解
FNN//Wide&Deep/DeepFM
异常剔除
数据清洗
基于内容推荐
推荐排序层
加权融合
排序模型训练(Python/Spark/MR/Java)
分级融合
AB测试规则管理
推荐管理功能(Java web)
基础分析
推荐服务(Http Server)
实时召回
图片/音频/视频标签识别
推荐任务上下线
PythonMapReduceSparkjava
推荐相关报表查询(推荐效果、时延)
用户画像
实时推荐排序预测(Storm/Java)
推荐请求处理(Post/Get)
协同过滤
实时融合
离线效果评估
历史数据
用户实时行为/内容更新
推荐引擎
推荐任务调度管理
推荐效果分析
实时补足/冷启动
LR/GBDT/FTRL
点击率评估
Hbase
特征处理/FM/FFM
特征实时计算
0 条评论
下一页