在实际的短视频平台项目中推荐系统是连接海量内容与用户兴趣的核心引擎。一个基础的推荐系统其挑战不仅在于算法的选择更在于如何将大数据处理、特征工程、模型训练与在线服务等环节串联成一个稳定、可迭代的工程闭环。对于希望深入理解推荐系统全貌的开发者而言从零开始搭建一个包含离线计算和在线推荐的简易系统是掌握其核心机制的最佳路径。本文将围绕“短视频推荐”这一场景带你完成一个融合了大数据处理与机器学习技术的实战项目。我们将使用 Hadoop 处理用户行为日志通过协同过滤算法挖掘用户与视频的潜在关联并引入 CatBoost 梯度提升树模型来融合更多特征进行精排。整个过程将从环境准备开始逐步深入到数据流水线构建、模型训练与评估最终实现一个可验证的推荐服务。无论你是希望转型推荐算法方向的工程师还是想系统性了解推荐系统背后技术栈的开发者这篇教程都将提供一条清晰的实践路线。1. 理解推荐系统的核心架构与组件在动手编码之前必须对推荐系统的典型分层架构有一个清晰的认识。一个完整的工业级推荐系统通常分为召回、排序、重排等多个阶段但对于我们的学习目标可以将其简化为两个核心部分离线计算层和在线服务层。1.1 离线计算层处理大数据与训练模型离线层负责处理海量的历史用户行为数据其输出是供在线层使用的“知识”。在我们的项目中它主要完成以下任务数据存储与处理使用 Hadoop HDFS 存储原始的点击、播放、点赞等行为日志并利用 MapReduce 或 Spark 进行数据清洗、转换和聚合。这是处理 TB/PB 级数据的基石。协同过滤召回模型训练基于用户-物品交互矩阵计算用户之间或物品之间的相似度。我们采用基于用户的协同过滤其核心思想是“兴趣相似的用户喜欢的物品也相似”。离线阶段会预先计算出每个用户的 Top-N 相似用户或推荐物品列表并存入高速缓存如 Redis供在线服务快速读取。精排模型训练协同过滤主要利用交互行为而精排模型可以融合更多特征如视频类别、时长、发布者信息、用户画像年龄、性别等。CatBoost 因其对类别特征的良好处理能力和较高的预测精度常被用于此阶段。离线训练好的模型文件需要被加载到在线服务中。1.2 在线服务层实时响应推荐请求在线层需要低延迟通常要求在百毫秒内响应用户的推荐请求。召回当收到一个用户ID时服务从 Redis 中读取离线计算好的、基于协同过滤的推荐视频ID列表例如1000个。精排对于这1000个候选视频服务需要实时获取它们的特征从特征数据库或实时计算以及当前用户的特征然后调用加载到内存中的 CatBoost 模型进行预测打分。排序与返回按照 CatBoost 模型的预测分如点击率对这1000个物品进行重新排序取 Top-K例如20个返回给前端。我们的项目将模拟这个流程虽然数据规模和系统复杂度远低于生产环境但所有核心环节和组件都会涉及形成一个完整的学习闭环。2. 环境准备与项目初始化为了复现本项目你需要准备一个具备基本计算和存储资源的 Linux 环境。以下软件及版本是经过验证的组合其他版本可能存在兼容性问题请务必注意。2.1 基础软件环境清单请确保你的环境已安装以下组件组件推荐版本用途说明安装验证命令JavaJDK 8 或 11Hadoop 及大数据生态的基础运行环境java -versionHadoop3.3.x分布式存储(HDFS)与计算(MapReduce)框架hadoop versionPython3.8用于数据预处理、模型训练和Web服务python3 --versionRedis6.x高速缓存存储用户相似度矩阵和召回结果redis-cli --versionFlask2.x轻量级Web框架构建推荐API服务pip show flask注意Hadoop 的单机伪分布式部署是学习的第一步。请务必参考官方文档完成core-site.xml,hdfs-site.xml,mapred-site.xml,yarn-site.xml的配置并格式化 NameNode 后启动 HDFS 和 YARN。2.2 项目目录结构与依赖创建一个清晰的项目目录有助于管理不同模块的代码和数据。mkdir -p short_video_recsys cd short_video_recsys mkdir -p {data/{raw,processed},src/{etl,cf_model,catboost_model,service},model,output}初始化 Python 虚拟环境并安装必要的库python3 -m venv venv source venv/bin/activate pip install --upgrade pip # 数据处理与科学计算 pip install pandas numpy scikit-learn # 协同过滤算法库 pip install scikit-surprise # CatBoost 模型 pip install catboost # Web 服务与缓存 pip install flask redis3. 数据管道构建从原始日志到训练样本任何推荐系统都始于数据。我们模拟一个简化的短视频用户行为数据集。3.1 生成模拟数据在data/raw/目录下创建user_behavior.log其格式为用户ID,视频ID,行为类型,时间戳。行为类型1-点击2-播放3-点赞4-分享。# src/etl/generate_data.py import pandas as pd import numpy as np np.random.seed(42) num_users 1000 num_items 5000 num_records 50000 # 生成数据 user_ids np.random.randint(1, num_users1, num_records) item_ids np.random.randint(1, num_items1, num_records) # 行为权重点击 播放 点赞 分享 actions np.random.choice([1,2,3,4], num_records, p[0.5, 0.3, 0.15, 0.05]) timestamps pd.date_range(2023-01-01, periodsnum_records, freqT).values df pd.DataFrame({ user_id: user_ids, item_id: item_ids, action: actions, timestamp: timestamps }) # 保存到本地和HDFS df.to_csv(../data/raw/user_behavior.log, indexFalse, headerFalse) print(模拟数据生成完成共 {} 条记录。.format(num_records))运行脚本生成数据后将其上传至 HDFS这是大数据处理的起点。# 启动HDFS后执行 hadoop fs -mkdir -p /user/recsys/raw hadoop fs -put data/raw/user_behavior.log /user/recsys/raw/ hadoop fs -ls /user/recsys/raw3.2 使用 MapReduce 进行数据聚合原始日志需要被聚合为用户-视频的交互强度分数。我们编写一个简单的 MapReduce 程序使用 Hadoop Streaming以 Python 脚本实现。Mapper (src/etl/mapper.py)读取每一行输出用户ID:视频ID作为 key根据行为类型赋予权重作为 value。#!/usr/bin/env python3 import sys # 行为权重映射 action_weight {1: 1.0, 2: 0.8, 3: 1.5, 4: 2.0} for line in sys.stdin: line line.strip() if not line: continue try: user_id, item_id, action, _ line.split(,) weight action_weight.get(action, 0.5) # 输出复合键便于Reducer按用户分组 print(f{user_id}:{item_id}\t{weight}) except ValueError: # 忽略格式错误的行 continueReducer (src/etl/reducer.py)对同一个用户ID:视频ID的权重进行求和得到用户对该视频的总兴趣分。#!/usr/bin/env python3 import sys current_key None total_score 0.0 for line in sys.stdin: line line.strip() key, score line.split(\t) score float(score) if current_key key: total_score score else: if current_key: # 输出用户ID, 视频ID, 兴趣分 u_id, i_id current_key.split(:) print(f{u_id},{i_id},{total_score}) current_key key total_score score if current_key: u_id, i_id current_key.split(:) print(f{u_id},{i_id},{total_score})在 Hadoop 上运行这个作业# 给脚本添加执行权限 chmod x src/etl/mapper.py src/etl/reducer.py # 使用Hadoop Streaming运行 hadoop jar $HADOOP_HOME/share/hadoop/tools/lib/hadoop-streaming-*.jar \ -files src/etl/mapper.py,src/etl/reducer.py \ -input /user/recsys/raw/user_behavior.log \ -output /user/recsys/processed/user_item_score \ -mapper python3 mapper.py \ -reducer python3 reducer.py作业成功后将结果从 HDFS 下载到本地供后续算法使用。hadoop fs -get /user/recsys/processed/user_item_score/part-* data/processed/user_item_score.csv # 合并文件并添加表头 cat data/processed/user_item_score.csv/part-* data/processed/u_i_score.csv echo user_id,item_id,score data/processed/user_item_score_final.csv cat data/processed/u_i_score.csv data/processed/user_item_score_final.csv至此我们完成了大数据处理环节得到了结构化的(user_id, item_id, score)数据。4. 协同过滤召回模型实现协同过滤分为基于用户UserCF和基于物品ItemCF。我们以实现 UserCF 为例其步骤为计算用户相似度 - 找出最近邻 - 生成推荐。4.1 使用 Surprise 库快速构建基准模型Surprise 库提供了多种协同过滤算法。我们先用它验证流程。# src/cf_model/train_cf_with_surprise.py import pandas as pd from surprise import Dataset, Reader, KNNBasic from surprise.model_selection import train_test_split from collections import defaultdict import pickle # 1. 加载数据 df pd.read_csv(../data/processed/user_item_score_final.csv) reader Reader(rating_scale(df[score].min(), df[score].max())) data Dataset.load_from_df(df[[user_id, item_id, score]], reader) # 2. 划分训练集 trainset, testset train_test_split(data, test_size0.2, random_state42) # 3. 训练UserCF模型 (使用余弦相似度) sim_options {name: cosine, user_based: True} model KNNBasic(sim_optionssim_options, verboseFalse) model.fit(trainset) # 4. 为每个用户生成Top-N召回结果 def get_top_n(predictions, n100): top_n defaultdict(list) for uid, iid, true_r, est, _ in predictions: top_n[uid].append((iid, est)) for uid, user_ratings in top_n.items(): user_ratings.sort(keylambda x: x[1], reverseTrue) top_n[uid] user_ratings[:n] return top_n # 对测试集进行预测这里我们用整个训练集构建的trainset来为所有用户预测 testset trainset.build_anti_testset() predictions model.test(testset) top_n get_top_n(predictions, n100) # 5. 保存召回结果到Redis import redis r redis.Redis(hostlocalhost, port6379, decode_responsesTrue) for uid, item_rating_list in top_n.items(): # 存储为有序集合分数为预估评分 for iid, rating in item_rating_list: r.zadd(fcf_rec:{uid}, {iid: rating}) # 同时保留一个简单的列表格式便于快速获取 item_list [str(iid) for iid, _ in item_rating_list] r.set(fcf_rec_list:{uid}, ,.join(item_list)) print(f协同过滤召回模型训练完成共为 {len(top_n)} 个用户生成了召回结果并存入Redis。) # 6. 保存模型可选Surprise模型保存较复杂通常只存结果 with open(../model/cf_model.pkl, wb) as f: pickle.dump(model, f)运行此脚本后Redis 中会存储每个用户的100个召回视频ID。这是在线召回阶段的数据来源。4.2 手写UserCF理解原理为了深入理解我们可以不用 Surprise手动实现一个简易版 UserCF。# src/cf_model/user_cf_manual.py import pandas as pd import numpy as np from sklearn.metrics.pairwise import cosine_similarity import redis df pd.read_csv(../data/processed/user_item_score_final.csv) # 构建用户-物品矩阵 user_item_matrix df.pivot_table(indexuser_id, columnsitem_id, valuesscore, fill_value0) # 计算用户相似度矩阵 (余弦相似度) user_similarity cosine_similarity(user_item_matrix) user_similarity_df pd.DataFrame(user_similarity, indexuser_item_matrix.index, columnsuser_item_matrix.index) def recommend_by_user_cf(target_user_id, top_k_users20, top_n_items100): 为目标用户推荐物品 if target_user_id not in user_similarity_df.index: return [] # 获取最相似的K个用户 sim_users user_similarity_df[target_user_id].sort_values(ascendingFalse)[1:top_k_users1] # 计算推荐分数相似度 * 交互分数 rec_scores {} for sim_user_id, similarity in sim_users.items(): sim_user_interactions user_item_matrix.loc[sim_user_id] for item_id, score in sim_user_interactions.items(): if score 0 and user_item_matrix.loc[target_user_id, item_id] 0: rec_scores[item_id] rec_scores.get(item_id, 0) similarity * score # 按分数排序返回Top-N sorted_items sorted(rec_scores.items(), keylambda x: x[1], reverseTrue)[:top_n_items] return [item_id for item_id, _ in sorted_items] # 示例为用户1生成召回列表并存入Redis r redis.Redis(hostlocalhost, port6379, decode_responsesTrue) target_uid 1 rec_list recommend_by_user_cf(target_uid) r.set(fcf_manual_rec:{target_uid}, ,.join(map(str, rec_list))) print(f手动UserCF为用户 {target_uid} 生成 {len(rec_list)} 条召回。)手动实现揭示了 UserCF 的核心利用用户相似度矩阵对“邻居”的喜好进行加权求和。在生产中面对百万级用户直接计算全局相似度矩阵不可行需采用聚类、局部敏感哈希LSH等技术进行优化。5. CatBoost精排模型训练与特征工程召回得到了一个较粗的候选集精排的任务是利用更丰富的特征进行精准打分。我们模拟一些用户和视频特征。5.1 构造精排训练样本精排通常是一个二分类点击/不点击问题。我们需要正样本用户点击过的视频和负样本曝光未点击或随机负采样。# src/catboost_model/build_rank_dataset.py import pandas as pd import numpy as np # 加载交互数据 interaction_df pd.read_csv(../data/processed/user_item_score_final.csv) # 假设score1的为正向交互点击等 interaction_df[label] (interaction_df[score] 1).astype(int) # 生成模拟的用户特征和视频特征 np.random.seed(42) all_user_ids interaction_df[user_id].unique() all_item_ids interaction_df[item_id].unique() user_feat pd.DataFrame({ user_id: all_user_ids, age: np.random.randint(18, 50, len(all_user_ids)), gender: np.random.choice([0, 1], len(all_user_ids)), # 0女1男 city_level: np.random.choice([1,2,3,4], len(all_user_ids), p[0.1,0.3,0.4,0.2]) }) item_feat pd.DataFrame({ item_id: all_item_ids, category: np.random.choice([娱乐,知识,体育,生活], len(all_item_ids)), duration: np.random.randint(5, 300, len(all_item_ids)), # 秒 creator_popularity: np.random.rand(len(all_item_ids)) # 0-1 }) # 合并特征构建精排样本集 sample_df interaction_df[[user_id, item_id, label]].copy() sample_df sample_df.merge(user_feat, onuser_id, howleft) sample_df sample_df.merge(item_feat, onitem_id, howleft) # 添加一些交叉特征 sample_df[user_item_city_match] np.random.rand(len(sample_df)) 0.7 # 模拟特征 sample_df[duration_bucket] pd.cut(sample_df[duration], bins[0,30,60,120,300], labels[0,1,2,3]) # 划分训练集和测试集 from sklearn.model_selection import train_test_split train_df, test_df train_test_split(sample_df, test_size0.2, random_state42, stratifysample_df[label]) train_df.to_csv(../data/processed/rank_train.csv, indexFalse) test_df.to_csv(../data/processed/rank_test.csv, indexFalse) print(f精排训练集{train_df.shape} 正样本比例{train_df[label].mean():.3f}) print(f精排测试集{test_df.shape} 正样本比例{test_df[label].mean():.3f})5.2 训练CatBoost模型CatBoost 能够自动处理类别特征无需手动One-Hot编码。# src/catboost_model/train_catboost.py import pandas as pd from catboost import CatBoostClassifier, Pool from sklearn.metrics import classification_report, roc_auc_score import joblib # 加载数据 train_df pd.read_csv(../data/processed/rank_train.csv) test_df pd.read_csv(../data/processed/rank_test.csv) # 定义特征和标签 feature_names [age, gender, city_level, duration, creator_popularity, user_item_city_match, duration_bucket] # 明确类别特征 cat_features [gender, city_level, duration_bucket] # CatBoost会将整型类别特征自动识别这里显式指定更安全 label_name label X_train, y_train train_df[feature_names], train_df[label_name] X_test, y_test test_df[feature_names], test_df[label_name] # 创建CatBoost数据池提高效率 train_pool Pool(dataX_train, labely_train, cat_featurescat_features) test_pool Pool(dataX_test, labely_test, cat_featurescat_features) # 定义模型参数 model CatBoostClassifier( iterations500, # 树的数量 learning_rate0.05, depth6, loss_functionLogloss, # 二分类对数损失 eval_metricAUC, early_stopping_rounds50, cat_featurescat_features, verbose100, # 每100轮打印一次日志 random_seed42 ) # 训练模型 model.fit(train_pool, eval_settest_pool, use_best_modelTrue, plotFalse) # 评估模型 y_pred_proba model.predict_proba(X_test)[:, 1] y_pred (y_pred_proba 0.5).astype(int) print( 模型评估报告 ) print(classification_report(y_test, y_pred)) print(f测试集 AUC: {roc_auc_score(y_test, y_pred_proba):.4f}) # 保存模型 model.save_model(../model/catboost_rank_model.cbm) print(CatBoost模型已保存到 model/catboost_rank_model.cbm) # 也可以使用joblib保存需配合CatBoost版本 # joblib.dump(model, ../model/catboost_model.pkl)训练完成后你会得到一个.cbm模型文件。AUC 是衡量排序能力的关键指标越接近1越好。6. 构建在线推荐服务在线服务需要整合召回和精排两个阶段。我们使用 Flask 搭建一个简单的 REST API。6.1 服务端主程序创建src/service/app.py。from flask import Flask, request, jsonify import redis import pandas as pd from catboost import CatBoostClassifier import joblib import logging app Flask(__name__) logging.basicConfig(levellogging.INFO) # 初始化全局资源 r redis.Redis(hostlocalhost, port6379, decode_responsesTrue) # 加载CatBoost模型 catboost_model CatBoostClassifier() catboost_model.load_model(../model/catboost_rank_model.cbm) # 加载特征列顺序训练时使用的 FEATURE_COLUMNS [age, gender, city_level, duration, creator_popularity, user_item_city_match, duration_bucket] CAT_FEATURES [gender, city_level, duration_bucket] # 模拟的特征数据库实际中应从特征服务或数据库获取 # 这里简化为一个函数随机生成特征 def get_user_features(user_id): 根据用户ID获取用户特征模拟 # 实际项目中这里可能是数据库查询或RPC调用 return { age: 25, gender: 1, city_level: 2, } def get_item_features(item_id): 根据视频ID获取视频特征模拟 # 实际项目中这里可能是数据库查询或RPC调用 return { duration: 45, creator_popularity: 0.8, category: 娱乐, # CatBoost模型需要数值特征此类别特征在训练时未使用仅作演示 } def get_context_features(): 获取上下文特征模拟如时间、地理位置 return { user_item_city_match: 1, # 假设匹配 } app.route(/rec, methods[GET]) def recommend(): 推荐接口GET /rec?user_id123top_k10 try: user_id request.args.get(user_id, typeint) top_k request.args.get(top_k, default10, typeint) if not user_id: return jsonify({error: Missing user_id}), 400 # 阶段一召回 recall_key fcf_rec_list:{user_id} recall_items_str r.get(recall_key) if not recall_items_str: return jsonify({error: User not found in recall cache}), 404 candidate_item_ids list(map(int, recall_items_str.split(,))) # 阶段二精排 ranked_items [] for item_id in candidate_item_ids[:100]: # 对召回Top-100进行精排 # 1. 拼接特征 user_feat get_user_features(user_id) item_feat get_item_features(item_id) context_feat get_context_features() # 合并特征注意顺序必须与训练时一致 feature_vector [ user_feat[age], user_feat[gender], user_feat[city_level], item_feat[duration], item_feat[creator_popularity], context_feat[user_item_city_match], 2, # 模拟 duration_bucket ] # 2. 模型预测 # CatBoost的predict_proba需要二维输入 score catboost_model.predict_proba([feature_vector])[0, 1] ranked_items.append((item_id, score)) # 按精排分数排序 ranked_items.sort(keylambda x: x[1], reverseTrue) final_recommendations [item_id for item_id, _ in ranked_items[:top_k]] logging.info(f为用户 {user_id} 生成 {top_k} 条推荐: {final_recommendations[:5]}...) return jsonify({ user_id: user_id, recommendations: final_recommendations }) except Exception as e: logging.error(f推荐接口异常: {e}, exc_infoTrue) return jsonify({error: Internal server error}), 500 if __name__ __main__: # 生产环境应使用 WSGI 服务器如 gunicorn app.run(host0.0.0.0, port5000, debugFalse)6.2 启动服务并验证在项目根目录下运行服务并测试接口。# 激活虚拟环境并启动服务 source venv/bin/activate cd src/service python app.py服务启动后使用curl或浏览器测试curl http://localhost:5000/rec?user_id1top_k5预期返回一个 JSON 响应包含用户ID和推荐视频ID列表。{ user_id: 1, recommendations: [123, 456, 789, 234, 567] }7. 常见问题排查与系统优化在实际搭建和运行过程中你可能会遇到以下问题。7.1 环境与依赖问题问题现象可能原因检查与解决Hadoop 启动失败提示JAVA_HOME not set环境变量未正确配置检查~/.bashrc或~/.bash_profile确保JAVA_HOME指向正确的 JDK 路径并执行source命令。Python 运行脚本报ModuleNotFoundError依赖未安装或虚拟环境未激活确认已进入虚拟环境 (which python3)并在项目根目录下执行pip install -r requirements.txt需先创建依赖清单。Redis 连接失败ConnectionRefusedErrorRedis 服务未启动执行redis-cli ping如果无响应使用systemctl start redis或redis-server启动服务。Flask 服务启动后无法远程访问默认只监听127.0.0.1确保app.run()中设置了host0.0.0.0。检查防火墙是否开放了5000端口。7.2 数据处理与模型问题问题现象可能原因检查与解决MapReduce 作业卡住或失败输入路径错误、脚本权限不足、资源不足检查 HDFS 输入输出路径是否存在且正确。为 Python 脚本添加执行权限 (chmod x)。查看 YARN ResourceManager Web UI 或作业日志 (yarn logs -applicationId app_id) 获取详细错误。协同过滤召回结果为空或很少用户-物品矩阵过于稀疏相似用户找不到检查数据量是否足够。考虑降低相似度阈值或增加最近邻数量 (top_k_users)。在生产中需要处理冷启动问题如用热门物品兜底。CatBoost 模型 AUC 很低0.6特征与标签关联性弱、样本不平衡、参数不当检查特征工程是否有误正负样本比例是否极端如1:99。尝试调整learning_rate、depth增加iterations或使用class_weights处理不平衡。在线服务预测速度慢循环为每个候选物品获取特征和预测这是最大的性能瓶颈。优化方案1. 批量预测 (model.predict_proba(feature_matrix))。2. 将用户特征和物品特征预先加载到内存缓存。3. 使用更轻量级的模型如 ONNX 格式或部署专门的推理服务。7.3 线上服务稳定性问题问题现象可能原因检查与解决API 响应时间波动大偶尔超时Redis 缓存访问慢、特征获取慢、模型加载阻塞为 Redis 访问添加连接池。对特征获取接口设置超时和降级策略如返回默认特征。确保模型在服务启动时加载而不是每次请求加载。推荐结果重复或单调召回阶段多样性不足精排模型倾向于某类特征在召回阶段融入多种策略如 ItemCF, 热门 标签匹配。在精排后加入重排层使用打散、多样性加权等策略。新用户/新视频无法推荐冷启动协同过滤无法处理未见过的用户/物品为新用户实施策略推荐热门视频、基于注册信息的标签推荐。为新视频实施策略利用内容特征进行相似推荐、流量扶持期。8. 生产环境最佳实践与扩展方向学习系统搭建起来后要走向生产环境还需要在以下几个方面进行强化。8.1 工程化与性能优化特征平台构建统一的特征仓库离线特征通过管道计算后导入在线特征通过低延迟的 KV 存储如 Redis, Aerospike或特征服务提供。模型服务化将 CatBoost 模型部署为独立的推理服务如使用 TensorFlow Serving 的自定义扩展或轻量级 HTTP 服务并通过 gRPC 调用实现与 Web 服务的解耦和水平扩展。缓存策略用户召回结果、用户特征、热门物品列表等都应进行多级缓存本地缓存 Redis。注意设置合理的过期时间。日志与监控记录每一次推荐请求的输入user_id、输出item list、各阶段耗时、模型版本。接入监控系统如 Prometheus Grafana跟踪 QPS、延迟、错误率。A/B 测试设计完善的实验平台能够分流用户对比不同召回/排序策略的线上指标如点击率、观看时长、留存率。8.2 算法与策略扩展多路召回除了 UserCF集成 ItemCF、基于内容的召回如视频标签匹配、实时热门召回、基于深度学习的向量化召回如 YouTube DNN, DSSM。排序模型升级从 CatBoost 升级到更复杂的模型如 WideDeep, DeepFM, DIN 等深度学习模型以更好地处理高维稀疏特征和序列特征。实时反馈将用户的实时点击、播放、点赞行为通过消息队列如 Kafka快速反馈到系统用于更新用户兴趣向量或调整实时排序权重。探索与利用在推荐中引入一定的随机性如 ε-greedy或使用 Bandit 算法如 UCB, Thompson Sampling探索用户潜在的新兴趣避免信息茧房。8.3 数据与迭代闭环数据质量建立数据质量监控及时发现日志丢失、字段异常、数据分布漂移等问题。离线评估除了 AUC还要关注更贴近业务的指标如召回率、精确率、覆盖率、多样性等。在线评估通过 A/B 实验观察核心业务指标的提升这是衡量算法迭代效果的最终标准。持续迭代推荐系统是一个“数据 - 模型 - 服务 - 线上效果 - 数据”的持续迭代闭环。需要建立自动化的训练、评估、部署流水线。从零搭建这个系统你经历了一个微型推荐系统的完整生命周期数据准备、离线计算、模型训练、在线服务。虽然每个环节都做了最大程度的简化但核心思想和工程链路与生产系统是一致的。下一步你可以选择任何一个环节进行深化例如研究 Spark 替代 MapReduce 进行大规模数据处理尝试用 Faiss 加速向量召回或者将 Flask 服务改造为异步高性能的 FastAPI 服务。真正的挑战和乐趣始于你将这些模块应用到真实业务数据的那一刻。