排序模型
推薦引擎模型架構
推薦系統實踐：
（1）解析請求：userid，request_itemid
（2）加載模型：加載model.w model.b
（3）檢索候選集合：分別利用cb和cf去redis裏面檢索數據庫，得到item-> item item item推薦候選（300=200+100）
（4）獲得用戶特徵：userid
（5）獲得物品特徵：itemid
（6）打分（sigmoid），排序
（7）top-n截斷
（8）數據包裝，itemid->name，返回（10）
解釋
對指定用戶進行推薦，這裏我們必須明確兩個重要的id，即userid和itemid。
1，推薦引擎獲得userid和itemid，從數據庫進行召回，形成推薦item列表，假如說這裏召回300個item：score。
2，對於召回的item，我們通過基於內容和協同過濾的方式同時召回，而且這裏召回的過程中有排序的過程，在這個階段稱之爲粗排；但是此時兩種不同方式召回的item可能存在重複，並且score不具有可比性；這個時候，就需要我們重新引入新的模型，按照統一的標準對召回的item重新打分、排序（這個階段我們稱之爲精排），然後取數個item推薦給用戶，假如這裏取10個。
3，需要注意的是，當我們召回300個item之後，我們得到的是這些item的itemid和對應的score，那麼我們應該如何根據模型進行打分呢？這裏可以通過外部數據庫通過userid和itemid來加載物品特徵數據和用戶特徵數據。然後交給排序模型打分，從而得出最終的已經排序的推薦列表。
後續未完，待整理。。。。