https://plumephp.com/tags/%E5%8F%AC%E5%9B%9E/Recent content in 召回 on PlumePHPHugozh-CNMon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-recommender-systems/Mon, 28 Sep 2026 10:00:00 +0800https://plumephp.com/ml-recommender-systems/<h2 id="引言">引言</h2> <p>推荐系统是「预测用户会喜欢什么」——电商、视频、新闻、音乐都在用。本文按<strong>工业界真实架构</strong>推进：先建 User-Item 交互矩阵（一切的地基），再讲协同过滤（User/Item 相似度）、矩阵分解（SVD/ALS，隐因子模型）、基于内容的推荐，然后是<strong>召回-粗排-精排</strong>的工程架构与评估指标（准确率/召回率/NDCG），最后攻冷启动与新物品问题。</p>https://plumephp.com/design-recommendation-system/Sat, 26 Sep 2026 12:00:00 +0800https://plumephp.com/design-recommendation-system/<p>推荐系统是消费互联网的「增长引擎」——YouTube 70% 的观看、Netflix 80% 的播放、抖音的沉浸式信息流都来自推荐。推荐系统的架构难点不在单个模型，而在「召回候选 → 特征拼接 → 排序 → 近实时更新 → 实验验证」这一整套工程链路。本文按面试答题结构设计一个内容/商品通用推荐系统。</p>