目前，推荐系统广泛应用于电商、信息流和地图。工业级推荐系统架构一般以召回+推荐作为大框架。其中，以算法区分，如下图所示。
离线/线上指标如下图所示：
个性化召回算法是根据用户的属性行为上下文等信息从物品全集中选取其感兴趣的物品作为候选集，召回决定了最终推荐结果的天花板。
个性化召回分为以下几类：
- 基于用户行为的
- 基于user profile的
- 基于隐语义的
以算法为例，有以下算法：
- CF
- LFM
- Personal Rank
- Item2vec
- Content Based
个性化排序算法是将个性化召回的物品候选集根据物品本身的属性结合用户的属性，上下文等信息给出展现优先级的过程。
工业界推荐系统中一般采用粗排序->主排序->重排序的过程。
主排序分为以下几类：
- 单一的浅层模型
- 浅层模型的组合
- 深度学习模型
以算法为例，有以下算法：
- xgboost
- gbdt+lr
- wide and deep
下面，会分别记录其算法主要实现思路和过程。