（回头我自己画个图）

  一、推荐系统：个性化推荐的本质是提升信息筛选的效率，如果信息量级小个性化意义不大，需要有大数量级的推荐单位；理论上来说，优质内容越多、类别分布越广泛，个性化推荐效果越好。 二、内容的标准化处理 把内容处理成机器与算法可以理解的特征。 具体处理看业务需求、技术，若是文章、新闻、微博，则需要自然语言处理； 若是图片、视频，则涉及到图像识别与处理。 若歌曲、电影、商品，需要自己建立一套用户打标签的机制，或者通过人工填写、抓取信息的方式打标签。   不管何种内容，需要建立一套自己的标签徒弟，是定义标准的过程。 通常标签是树状或者网状的结构，可能需要收集大量的训练样本。   三、用户行为的日志收集、传输、挖掘与存储 推荐的基础是数据，在挖掘了内容数据以后，接下来需要挖掘数据（用户行为）生成用户的画像。 挖掘：将用户数据进行计算、挖掘处理成为我们想要的特征，用户挖掘通常与算法结合而不能凭空挖特征，没有算法应用的用户画像没有价值。 数据存储：可以存储用户长期留下来的行为来积累用户画像，并且把profile存储起来，若用户量很大，则需要的存储资源也是海量的，需要一个能对大量数据进行分布式存储的数据库。需要一个可以对大量数据进行分布式存储的数据库，并且需要可靠与廉价，如hdfs(Dardoop Distributed File System) 若想要实时计算用户的兴趣，需要可以快速存储的数据库，如redis。 四、选择排序算法 对于获得与处理完的内容、用户的数据，可以使用算法对二者进行匹配了。个性化推荐的本质是在做topN排序，通常包括“召回”与“排序”模块。（简单地说就是先根据一定标准选出小部分内容进行排序然后再推荐） 五、推荐的搜索引擎 个性化推荐与搜索是非常相似的领域，二者都是信息筛选方式，在做一种相关性rank；而搜索更加注重用户的搜索关键词相关性，而推荐更加注重内容与用户信息的相关性。用户的每一次浏览都是一次事实请求，因此需要实时计算当下最符合用户兴趣内容，该步由在线搜索引擎承担。由于性能要求，这步不合适做太耗时的计算。   六、ABtest系统 在推荐系统中，如何结合自己的产品场景选择特征、参数，就成为了个性化推荐精准度的关键因素，如果有ABtest可以代入多种差参数、特征，由ABtest实验得出最佳的实验参数，优化推荐系统。 ABTest，简单来说，就是为同一个产品目标制定两个方案（如两个页面一个用红色的按钮、另一个用蓝色的按钮），让一部分用户使用A方案，另一部分用户使用B方案，然后通过日志记录用户的使用情况，并通过结构化的日志数据分析相关指标，如点击率、转化率等，从而得出那个方案更符合预期设计目标，并最终将全部流量切换至符合目标的方案。   挖掘文本信息的方法： 1、关键词提取：TFIDF 2、实体识别(CRF)模型 3、内容标签分类（nlp接口） 4、主题模型（LDA） 5、词嵌入(Word2vec)