首先进入我们来步入今天的正题，推荐系统存在的意义：
随着信息技术和互联网的发展，人们逐渐从信息匮乏的时代走入了信息过载的时代。
在这个时代，无论是信息消费者还是信息生产者都遇到了很大的挑战：作为信息消费者，如何从大量信息中找到自己感兴趣的信息是一件非常困难的事情；作为信息生产者，如何让自己生产的信息脱颖而出，受到广大用户的关注，也是一件非常困难的事情。于是推荐系统应运而生。
推荐系统主要解决的痛点是：
联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢。
常见的推荐系统：
在我们实际生活中，有很多推荐系统，常见的淘宝，京东，今日头条，优酷视频，美团外卖等等，可以说已经步入我们生活的方方面面，接下来我们来讲解下，推荐系统。
在推荐系统领域，常见两种推荐任务，一种是评分预测，一种是Top-N原则
评分预测：以下是两个用户对喜好的打分情况
| User | Item | Rating |
| U1 | 羽毛球 | 4 |
| U1 | 足球 | 3 |
| U2 | 羽毛球 | 5 |
| U2 | ？ | ？ |
由上图可得：U1和U2都喜欢羽毛球，并且喜爱的程度不低，那么我们可以推出U1和U2具有相同的爱好，因此我们就可以将足球推荐给U2,这就是评分预测大致的过程。
Top-N原则：
| User | Item |
| U1 | 羽毛球，足球，排球 |
| U2 | 足球，排球，篮球 |
| U3 | 足球 |
上图是U1和U2喜爱的兴趣爱好进行Top-N排名，那么接下来我们给U3进行推荐，上图U2的排名足球排第一，证明U2和U3有相同的兴趣爱好，所以现在先推荐U2 的排球，蓝球给U3 在推荐U1的羽毛球给U3 ，因此给U3 的推荐列表为排球，篮球，羽毛球。
上述二者为推荐领域的两大推荐问题，常用Top-N。
推荐系统流程梳理：
1.首先用户登录某一个网站比如（优酷），点击需要看的视频内容，如《刘德华的电影》。
2.点击的内容传递给推荐引擎 ， 推荐引擎会根据Top-N原则【中间经历了很多筛选受地域，政策，排序等等的影响，最终这5个精品才能展示在用户面前】 返回有限的物品列表，推荐引擎 的物品 可能是自身算的，或者是NoSQL数据库返回的。
3.这里注意会有一个很大的物品元数据管理，先将物品元数据经过正排然后倒排行为key为token,value 为item:score1 item2:score2 item3:score3
4.将第三步看K,V键值对插入Nosql索引数据库。
5.这里的NoSQL索引数据库有一个召回的过程：我们将NoSQL索引数据库称为Signal【信号源】并且库中的数据已经经过排序。
不同的NoSQL的数据可能采用不同的算法有CB算法，CF算法，ALS算法。在库中的过程称之为粗排。
召回的目的：
a.获得更多的物品候选
筛选的目的：
a.过滤掉比较差的物品（和当前推荐场景距离较远的）
6.用户点击的内容给推荐平台时，平台自身有一个分词服务，这里如会将《刘德华的电影》 进行切分并且打分如 刘德华：0.6 电影：0.4
7.然后将切分的词去检索NoSQL索引数据库 ，这时可能检索比如返回1000个候选物品，但是只能展示前5个。
8.这时返回1000个候选物品，给推荐引擎里存在的排序模型【理解为最权威的裁判】：
a.这时会进行一个去重的逻辑，因为在各个数据库是去重的，但是从各个索引库返回的可能重复。
b.进行精排
9.根据Top-N原则展示排名前5个的物品进行推荐。
以上就是推荐系统入门的基本知识后续不断更新中。。。