Agent推荐系统入门指南：从零搭建高可用推荐服务

1次阅读

没有评论

共计 1912 个字符，预计需要花费 5 分钟才能阅读完成。

想象一下你第一次打开淘宝或抖音的场景：

淘宝首页的「猜你喜欢」让你快速发现符合品味的商品
抖音的推荐流能持续推送让你停不下来的短视频

这些平台通过推荐系统实现了：

用户留存提升：好的推荐能让用户停留时长增加 30%-50%
商业价值放大：亚马逊 35% 的销售额来自推荐结果
长尾分发：让小众内容也能找到目标受众

UserCF（用户协同过滤）

核心思想：找到相似用户，推荐他们喜欢的物品
适合场景：用户兴趣稳定的场景（如电影推荐）
计算复杂度：O(M^2)（M 为用户数）

# 使用 Surprise 实现 UserCF
from surprise import KNNWithMeans

algo = KNNWithMeans(k=50, sim_options={'name': 'pearson', 'user_based': True})
algo.fit(trainset)
pred = algo.predict('user123', 'item456')
print(f'预测评分：{pred.est:.2f}')

ItemCF（物品协同过滤）

核心思想：推荐与用户历史喜欢物品相似的物品
适合场景：物品数量相对稳定的场景（如电商）
计算复杂度：O(N^2)（N 为物品数）

Two-Tower 架构

用户塔：处理用户特征（年龄、历史行为等）
物品塔：处理物品特征（类别、标签等）
计算相似度：余弦相似度或点积

# 双塔模型结构示例
user_tower = tf.keras.Sequential([layers.Dense(256, activation='relu'),
    layers.Dense(128)
])

item_tower = tf.keras.Sequential([layers.Dense(256, activation='relu'),
    layers.Dense(128)
])

对比结论 ：

数据稀疏时选协同过滤
特征丰富时选深度学习
实时性要求高选 ItemCF

from flask import Flask, request
from flask_limiter import Limiter

app = Flask(__name__)
limiter = Limiter(app, key_func=lambda: 'rec_api')

@app.route('/recommend', methods=['POST'])
@limiter.limit("100/minute")  # 限流设置
def recommend():
    user_id = request.json['user_id']
    # 业务逻辑...
    return {'items': top10_items}

百万级用户方案 ：

键设计：rec:{user_id}:{scene}
过期时间：热点数据 1 小时，长尾数据 24 小时
内存优化：使用 zset 存储推荐列表

# Redis 操作示例
import redis

r = redis.Redis(host='localhost', port=6379)

# 写入推荐结果
r.zadd('rec:user123:home', {'item789': 0.95, 'item456': 0.87})

# 读取 TopK
items = r.zrevrange('rec:user123:home', 0, 9, withscores=True)

from sklearn.metrics import mean_squared_error

# RMSE 计算
true_ratings = [3.5, 4.0, 2.5]
pred_ratings = [3.7, 3.8, 2.3]
rmse = mean_squared_error(true_ratings, pred_ratings, squared=False)