终于结束了在百度的实习，想想真滴是累，天天11点才回到宿舍，出个问题整个周末就没了。唉，不过也总归是有些收获。
这个博客就稍微讲讲整个组推荐系统的框架吧（应该所有市面上的推荐系统都大致是这个样子，不过里面的具体策略就略过啦）
般推荐都分为召回侧和排序侧，召回侧通过各种策略对视频进行打分筛选，例如对于一个用户和多个视频而言，可以关注的点为：该用户对视频的兴趣；视频相似度、dnn计算得分、协同过滤、matchnet等等，这里的每一个策略都要求是简单并且时间复杂度低的，因为对于一个请求而言，在召回侧需要处理所有待分发的视频，故结构应该尽量简单。
接下来是排序侧，排序首先就需要经过粗排和精排两个部分，粗排的逻辑是将召回返回的视频打分，输出给精排几百条视频；精排的逻辑是将粗排返回的视频打分，返回10条视频，这里的10对应在app上每一刷出10个视频。当然过了精排还不够，例如虽然一个人非常喜欢美女，但不能刷一次推荐的10条视频全是美女，所以每一个推荐系统都会加入多样性的模块，保证每一刷推荐视频的丰富度以及类别散度。过了多样性后，最后一个模块是生态块，这一块主要是一些可持续发展的策略，比如要有新视频提权、优质作者提权的策略。在多样性和生态这两块主要做的就是一些视频的替换，至此，我们这一块要知道的推荐就完了，当然还有一些数据来源啊、日志落盘等等，都存在于上述模块的上下游，我也不是特别了解。
那具体还有一些问题，比如粗排和精排的具体模型结构是什么，为什么既有粗排也有精排等等，这些问题就留给大家自己去考虑啦