《深度学习推荐系统》，作者王喆，2020年3月第1版，第1章《推荐系统概述》。
获得用户信息U（user）、物品信息I（item）、场景信息C（context）的基础上，推荐模型处理的问题是：对于用户U（user），在特定场景C（context）下，针对海量物品信息，构建一个函数$f(U,I,C)$，预测用户对特定候选物品I（item）的喜好程度，再根据喜好程度对候选物品进行排序，生成推荐列表。
推荐系统技术架构可以分为两部分：
1、数据和信息部分：融合数据离线批处理、实时流处理的数据流框架；
2、算法和模型部分：集训练、评估、部署、线上推断为一体的模型框架。
主要负责用户、物品、场景的信息收集和处理。
负责数据收集和处理的三个平台按照实时性的由强到弱（即按照海量数据处理能力由弱到强）依次为：客户端及服务器端实时数据处理、流处理平台准实时数据处理、大数据平台离线数据处理。
加工后的数据用途有三个：
1、推荐模型的样本数据，用于训练（training）和评估；
2、推荐模型服务（serving）所需的特征，用于线上推断；
3、系统监控、商业智能BI所需的统计数据。
由召回层、排序层、补充策略与算法层。
召回层：利用高效的召回规则、算法或简单的模型，快速从海量的候选集中召回用户可能感兴趣的物品；
排序层：利用排序模型对初筛的候选集进行精排序；
补充策略与算法层：也称再排序层，将推荐列表返回用户之前，为了兼顾结果的多样性、流行度、新鲜度等指标，结合一些补充策略和算法，对推荐列表进行一定的调整，最终形成用户可见的推荐列表。
从推荐模型接收到所有候选物品集，到最后产生推荐列表，这一过程称为模型服务过程。
在线环境进行模型服务（serving）之前，需要通过模型训练（training）确定模型结构、结构中不同参数权重，模型相关算法和策略中的参数取值。
模型训练方法可以分为：
1、离线训练：可以利用全量的样本和特征，使模型逼近全局最优点；
2、在线更新：可以准实时地消化新的数据样本，更快地反应新的数据变化趋势，满足模型实时性的需求。
模型的评估可以分为离线评估和线上A/B测试两种。