1. 推荐系统架构
内容来源：1）来源 2）打标签
在线分发：召回-> 粗排 -> 精排 -> 重排 -> 规则 -> 分发
内容来源
内容源的收集与规范化
（站点）-爬虫->(内容源总库)-内容理解->(内容画像)-人工审核->(推荐池)
内容理解：分类、分词、关键词提取
接口：
http请求：Flask，fastAPI，Django，Tornado
rpc请求：Thrift
在线分发
召回：
协同、双塔、用户画像、热度召回等
召回阶段的主要职责是：从千万量级的候选物品里，采取简单模型将推荐物品候选集合快速筛减到千级别甚至百级别，这样将候选集合数量降下来，之后在排序阶段就可以上一些复杂模型，细致地对候选集进行个性化排序。
排序：
对多个召回方法的结果进行统一打分并排序，选出最优Top K。筛选：CTR预估的rank模型，相当于精排序：使用一个点击率预估模型（输入用户特征，内容特征，用户内容交叉特征等）对召回出来的内容进行排序
重排：
保证结果多样性、实时调整
2. 算法模型
模型数据来源：从数据中心通过消息队列取得数据日志
模型训练与更新
增量更新，每隔一段时间全量更新一次
3. 协同
协同可以理解为相似，基于用户的协同就是基于用户的相似度，基于物品的协同就是基于物品的相似度。
