个性化推荐是为了解决信息过载，用户难以应对海量数据的问题，
系统可以概括为
基于用户(User)+物品(Item)+场景(Context)信息，
从系统中的物品库中，给对应的用户推荐相应的物品，实现所谓的“千人千面”。

目前典型的应用场景有以下三种

电商 推荐商品
信息流 推荐(新闻与短视频)
地图 基于地理位置的服务推荐

推荐系统一般分为召回和排序两个阶段。
个性化召回
召回即根据用户属性和行为上下文，从全集中选取用户感兴趣的选项。目的在于减少候选集的数量，方便后续排序，召回的算法模型相对简单，使用的特征比较少。
召回决定了推荐结果的上限。
召回算法（课程中每个算法一章）
基于邻域的个性化召回算法LFM
基于图的个性化推荐召回算法personal rank
基于深度学习的个性化召回算法item2vec
基于内容的推荐方法content based

排序
排序阶段就是把召回的结果进行排序，把top k（k 一般都是个位数）结果作为推荐系统最终的输出。
排序算法：
  浅层排序模型逻辑回归
  浅层排序模型gbdt
  基于深度学习的排序模型wide and deep

评估
线下 模型本身的评估指标 如排序算法模型的AUC  召回算法模型的准确率
线上 业务核心指标 信息流中的点击通过率CTR 平均阅读时长  电商 转化率 GMV