读paper：腾讯实时推荐实践

阅读TencentRec: Real-time Stream Recommendation inPractice

大数据环境下的实时推荐需求，克服三大难题：大数据，实时性，准确度；

大数据，用户数据，业务数据；实时基于storm处理；算法主要基于item-based，content-based，demographic，并且

根据实时特征，结合业务进行创新。

Highlights

1 Traditional recommender systems that analyze data and updatemodels at regular time intervals, e.g., hours or days, cannot meetthe real-time demands.

往往，实时用户意图更能真实的展现用户需求，离线计算的大多数是预测，而且大多数不准。 Traditional recommendersystems cannot make fast responses to users'preference changesand capture the users’ real-time interests, thus resulting in bad recommendationresults。这一块感同身受。

2 实时推荐系统问题，系统性能，数据稀疏性和隐式反馈，算法问题

3 腾讯实时推荐系统主要工作：

大数据环境下，实现传统item-based,content-based, demographic算法，并且将其应用到腾讯各个业务之中；

4 系统架构

（1）平台选择

支持实时计算，高可伸缩性，优秀的容错性能，选择storm

 

​

（2）数据访问接口

（3）数据存储

​

5 算法设计

工业应用实践考虑，易用性和准确度，ROI

（1）item-based CF

​

处理隐式反馈问题，增量更新，裁剪技术减少计算成本

There are various types of user behaviors in our scenario, includingclick, browse, purchase, share, comment, etc.

通过技术手段，将隐式行为转化为显式评分。

​

增量更新

更新流程​

​

we utilize the Hoeffding bound theoryand develop a real-time pruning technique

（2）数据稀疏性处理

We develop two mechanisms to solve the data sparsity problem,including the demographic clustering and the demographic basedcomplement.

（3）实时过滤机制

方法1，采用时间窗口，基于session过滤数据；

方法2，根据最近的行为做推荐种子。Besides the sliding window mechanism, we propose a real-timepersonalized filtering technique to serve the individual users' realtimedemands. For each user, we record the recent k items that heis interested in.

6 系统架构

​

7 应用点

腾讯视频，易迅网，腾讯文学，微信，大众点评，腾讯新闻，qq空间等

参考文献：

TencentRec: Real-time Stream Recommendation inPractice

启发点：

（1）增量更新计算item-basedCF，demographic-based 剪枝

（2）系统性能