1.3　推荐系统的概况

目前是一个大数据时代，简而言之，目前的推荐系统是以各种各样的算法进行建模分析，从而预测出用户喜欢的物品并进行推荐，所以简单来说，目前的推荐系统是收集数据、统计数据的过程。如果确实没有数据，那就设计产生数据的办法。

因此目前推荐系统的核心是推荐算法，随着机器学习算法的飞速发展，越来越多的数据处理技巧被开发出来。GroupLens的协同过滤推荐方式已经不是最优秀的推荐方式，更多的是利用机器学习乃至深度学习算法产生的模型去推荐。且同一个推荐系统中即使同一种推荐任务也会有多个模型同时进行配合去推荐。

推荐系统中的推荐任务自然不止一个，例如一个电商平台主页的综合推荐、物品详情页的相似物品推荐、加入筛选条件的排序推荐，这些都属于推荐系统中不同的推荐任务。

而同一个推荐任务所使用的模型也许不止一个，至少会有召回模型与排序模型之分。召回模型的任务是将候选物品从百万级降至千百级，召回区别于召回率的那个召回，召回率的召回是从Recall一词翻译得来，而召回模型的召回是由Match一词翻译得来。其实Match译作匹配可能更好。实际上召回模型是快速从大量的候选物品中匹配出少量的物品，而排序模型的任务是将这些匹配出的物品排序。召回与排序会在第6章详细介绍。

推荐系统本身的业务逻辑层也有很多门路，但是既然推荐系统的核心是算法，而算法的核心是数学，数学是一门寻找事物间人类无法直观发觉的隐藏关系的学科，所以入门推荐系统还应从推荐算法学习，只要将推荐算法学好，自然能推理出推荐系统的业务逻辑。