个性化推荐系统

1、个性化推荐系统的推荐引擎：其实就是很简单的一个java web代码，但是响应达到毫秒级，为什么这么快？
（1）服务器分布式：请求经过5台ALB(负载均衡服务器)，然后分发到40台BLU（响应服务器）进行处理
（2）服务器取数是到redis取，redis是基于内存的，所以取出来很快
2、个性化推荐中涉及到数据挖掘，机器学习那一块的，是指离线模型，准实时模型和在线模型：
根据用户的行为特征（浏览行为和指标）：训练出模型：比如rfh模型：
客户uid|tfh|跟他拥有同样爱好的也浏览过这个offer|优先级1
客户uid|tfh|跟他拥有同样爱好的也浏览过这个offer|优先级2
训练模型，就是根据个推的点击日志，和TD的指标数据，利用Python进行训练，训练成一种.pmml文件
这种训练好的模型，就加载到redis，然后根据管理端设定的规则，将模型里面的offer推荐出去
3、实时标签
比如人对基金产品的偏好标签，是根据kafka里面该产品实时的浏览，点击，交易等数据，以及离线平台加工到redis的背景数据（历史浏览，点击等行为），根据各个行为设置的权重，根据公式求出这个基金产品对于这个人的得分，这个得分就可以看成一个标签。然后模型就可以根据这个产品的这些标签，结合历史数据，对这个产品进行评分
4、离线模型：离线模型推荐的产品就是根据协同过滤，规则关联等算法得到的，这个过程即召回。离线模型主要是推荐基金产品
5、规则：如果某个客户有某个标签，就去推某条offer。这就是规则。即：if(客户满足某个条件)then（给他推某某个产品）
6、redis+mysql是内存+磁盘关系的一个映射，mysql放在磁盘，redis放在内存。web应用每次只访问redis，如果没有找到的数据，才去访问Mysql。 查询先查redis没有再去查mysql,新增或修改直接操作mysql然后更新redis
7、个推推荐逻辑：
（1）offer：当请求进来后，去redis拿我们加载进去的用户画像指标。就会首先运行栏位上面的绑定的规则（比如：如果资产大于20，就推某个offer），判断这个客户是否满足规则条件，满足的话就给他推这个offer。其中规则推offer用的是