跳到主要内容

推荐系统设计

问题​

如何设计一个内容推荐系统？

答案​

架构概览​

推荐流程：召回 → 粗排 → 精排 → 重排​

阶段目的候选量方法
召回从海量内容取候选百万→几千协同过滤、标签匹配、热门
粗排快速筛选几千→几百轻量模型打分
精排精确排序几百→几十深度学习模型
重排业务规则调整几十→最终去重、多样性、运营插入

协同过滤（基于用户/物品）​

基于物品的协同过滤（Item-CF）简化实现
public List<Long> recommend(long userId, int topN) {
    // 1. 获取用户历史行为（点击/收藏/购买）
    Set<Long> userItems = userBehaviorService.getItems(userId);
    
    // 2. 找到相似物品
    Map<Long, Double> candidateScores = new HashMap<>();
    for (Long itemId : userItems) {
        // 获取与 itemId 相似的物品及相似度
        List<ItemSimilarity> similars = similarityService.getSimilarItems(itemId, 20);
        for (ItemSimilarity sim : similars) {
            if (!userItems.contains(sim.getItemId())) {
                candidateScores.merge(sim.getItemId(), sim.getScore(), Double::sum);
            }
        }
    }
    
    // 3. 按得分排序取 TopN
    return candidateScores.entrySet().stream()
        .sorted(Map.Entry.<Long, Double>comparingByValue().reversed())
        .limit(topN)
        .map(Map.Entry::getKey)
        .toList();
}

热门推荐（冷启动兜底）​

Redis ZSet 维护热门内容
// 每次用户行为（浏览/点赞）增加热度分
public void incrHotScore(long itemId) {
    redisTemplate.opsForZSet().incrementScore("hot:items", 
        String.valueOf(itemId), 1.0);
}

// 热度衰减（每小时执行）
@Scheduled(cron = "0 0 * * * ?")
public void decayHotScore() {
    Set<ZSetOperations.TypedTuple<String>> items = 
        redisTemplate.opsForZSet().rangeWithScores("hot:items", 0, -1);
    for (var item : items) {
        redisTemplate.opsForZSet().add("hot:items", 
            item.getValue(), item.getScore() * 0.95);  // 衰减 5%
    }
}

常见面试问题​

Q1: 新用户冷启动怎么办？​

答案：

  • 热门推荐兜底
  • 注册时收集兴趣标签
  • 基于人口统计学属性推荐（年龄、地区）
  • 随机探索 + 快速收集行为数据

Q2: 推荐结果如何避免同质化？​

答案：

在重排阶段加入多样性策略：

  • 类目打散：同类目连续不超过 2 个
  • 已读过滤：布隆过滤器过滤已曝光内容
  • 探索机制：一定比例的随机推荐

Q3: 协同过滤的冷启动和数据稀疏问题？​

答案：

  • 冷启动：新物品无行为数据 → 用内容特征（标题、标签）做基于内容的推荐
  • 数据稀疏：引入隐语义模型（矩阵分解 ALS）或深度学习模型

相关链接​