现在搭一个小的推荐系统麻烦吗？

这种东西很多，但主要还是看架构和流程怎么设计，原来一堆 BI 之类的工具也都内置这种模块，那时候绝大部分都是拿 weka 包装套一下直接上了，反正基本够用；

小企业是看系统本身的设计，本身是什么框架，还有业务特征以及未来预期的业务量程度，找个好套的；

不大不小的，很多是系统提前设计好接口，后台有服务团队，如果分析挖掘团队是统计为主的人，基本是根据业务拿 R 跑个合适的模型再根据业务量性能要求等改用其他语言部署一下，接口调用；计算机为主的团队是拿 python 跑一个，流程是一样的；

再大型的都有自己的框架和管理了；

各种轮子都有，主要还是看规模看投入看框架看已有人员配置

构思好流程再想有的没的，小公司用 es 和 redis 就行了。

原理上挺简单的，多路召回，粗排精排重排都不用搞。先整个协同过滤就能用了

这个“小”具体是多“小”啊。上推荐系统的话，最后上线得能验证效果，那就得先有简单的 AB Test 吧。要 AB Test 的话，就得有简单的数据平台，简单的埋点 /离线数仓 /取数 /报表不能少吧。而且 AB Test 要能跑起来样本量不能太少吧，说明产品已经比较稳定且具备一定用户规模了。

到这个程度其实已经过滤掉大部分小公司了，这种公司一般都有一个小型的 BI 或算法团队了。这个时候搞个推荐系统应该比较水到渠成了，毕竟业界都有相对成熟的方案，丢给算法团队搞就是了，应该轮不到 OP 来提这个问题吧。如果确实还有这种问题，可能得检查下算法团队是不是有水分了（逃

@sy20030260 没有那么复杂，现在就是一条 select 语句从用户已查看过的同类型条目中，random 随机返回几条出来做推荐用。虽然有点糊弄的意思，勉强可用，但推荐的精度不高。

简单的推荐系统就如你说的只是 sql 语句，如果需要精确打击，则需要构建用户画像，举个简单例子：一个男用户，买了个游戏。在画像中会被打上”男“，”游戏爱好者“的标签。然后将标签数据导入 Es ，进行检索出，符合这些标签的商品 id ，再去查商品详情返给用户。

核心在打标签这个动作上，标签越多画像越丰富，推荐精度越高，这需要大量的用户行为日志不断采集出来的，属于大数据范围内的一个应用。

@frank1256 你说的对我启发很大，基本原理就是用户一套标签，影片对象一套标签，两组标签进行匹配计算相似度距离，距离越近则越匹配。

那么现在要做的文章就是标签的定义，以及权重之类。那么我将这些标签分为“固定标签”和“动态标签”：
固定标签：影片的名字、类型、主演、导演、年代等等每个影片都有的固定分类。
动态便签：不是每个影片都存在的，比如影片中大量出现的场景，比如“帝国大厦”。或者男主角的口头禅。或者女主角喜欢吃的一种巧克力。或者墙上挂的一副画等等。（动态标签没有固定的套路，但可能跟用户喜好有关）

所以，这个动态标签，应该如何生成、录入、检索、匹配等等？

很多年以前做过，其实说白了就是标签那一套，主要是如何精准的给用户打上标签，给商品打上标签，我们之前这部分工作都是人工来干的

@James369 人工，有大公司有个岗位叫数据标注，去找应届大学生，一天给多少钱去给图片或者某些数据，做标注。这就是来源，一般的推荐系统，固定标签就差不多了。

自己写过一个 opendsp , 架构参考百度 opendsp, https://gitee.com/imomoda/open_dsp

@frank1256 可以啊这招不错。标注电影则免费看电影。哈哈。
不过我想到另外一个办法，就是从电影的详情介绍中，去提取有用的信息，从而形成标签。

这块有具体实现方法吗？

@James369 爬知名网站的电影数据，利用 es 分词就可以了，更高级的是 nlp ，代价太大，用不到，一般用于科研。

可以非常简单，比如推荐同一个类型的商品，比如同一类型的电影。

也可以非常复杂，比如打标，用户画像。为每个用户建立独特的标签，然后给每个商品，电影建立相应的标签，最后取交集即可。前期人工打标，后期 ai 打标

类型，时间，点击量

协同过滤