一个真实场景 #

你在逛淘宝，搜索了"运动鞋"，加购了几双 Nike。第二天打开 APP，首页推荐的都是运动装备、球鞋测评。

这就是推荐系统！

它在做三件事：

1. 记录你的行为（搜索、浏览、购买）
2. 理解你的兴趣（喜欢运动、偏好 Nike）
3. 预测你可能喜欢的（推荐相似商品）

推荐系统无处不在 #

电商：淘宝、京东 → 商品推荐
视频：抖音、YouTube → 视频推荐
音乐：网易云、Spotify → 歌曲推荐
新闻：今日头条、微博 → 内容推荐
社交：微信、LinkedIn → 好友推荐

市场规模：

• Netflix：推荐系统贡献 75% 的观看量
• Amazon：推荐系统贡献 35% 的销售额
• 字节跳动：估值千亿美金的核心就是推荐算法

为什么选择 Gorse？ #

对比主流推荐系统 #

Gorse 的核心优势 #

1. 5分钟上手

# 只需一行命令docker run -p 8088:8088 zhenghaoz/gorse-in-one --playground

2. 零机器学习知识

不需要懂数学公式
不需要懂算法原理
只需要会调 API

3. 生产级性能

单机 10万+ QPS
秒级推荐响应
自动水平扩展

4. 企业级功能

RESTful API
Dashboard 监控
多种推荐策略
实时在线学习

5分钟搭建第一个推荐系统 #

步骤1：启动 Gorse（1分钟） #

# 使用 Docker 启动（推荐）docker run -p 8088:8088 zhenghaoz/gorse-in-one --playground# 等待 30 秒，看到日志：# ✓ Gorse is ready

步骤2：访问 Dashboard（30秒） #

打开浏览器访问： http://localhost:8088

你会看到：

• 📊 系统概览
• 👥 用户统计
• 📦 物品统计
• 🎯 推荐任务状态

步骤3：插入数据（2分钟） #

# 创建用户curl -X POST http://localhost:8088/api/user \
  -H "Content-Type: application/json" \
  -d '{
    "UserId": "alice",
    "Labels": ["female",gov.soccer.mbp.zuqzb.info "student", "tech_lover"]
  }'# 创建物品（电影）curl -X POST http://localhost:8088/api/item \
  -H "Content-Type: application/json" \
  -d '{
    "ItemId": "inception",
    "Labels": ["scifi", "thriller"],
    "Categories": ["movie"]
  }'# 插入反馈（alice 喜欢 inception）curl -X POST http://localhost:8088/api/feedback \
  -H "Content-Type: application/json" \
  -d '[{
    "UserId": "alice",
    "ItemId": "inception",
    "FeedbackType": "like"
  }]'

步骤4：获取推荐（30秒） #

# 为 alice 推荐电影curl "http://localhost:8088/api/recommend/alice?n=10" | jq .# 返回结果：[  "interstellar",  "matrix",  "dark_knight"]

恭喜！你的第一个推荐系统已经运行了！ 🎉

推荐系统的工作原理 #

核心概念 #

用户 (User)
  ├─ 基础信息：ID、标签（性别、年龄、兴趣）
  └─ 行为历史：浏览、点击、购买
物品 (Item)
  ├─ 基础信息：ID、标签（类别、属性）
  └─ 统计数据：热度、评分
反馈 (Feedback)
  └─ 用户 + 物品 + 类型（喜欢、浏览、购买）+ 时间
推荐 (Recommendation)
  └─ 根据历史行为，预测用户可能喜欢的物品

推荐流程图 #

1. 用户产生行为
   └─ alice 观看了《盗梦空间》2. 系统记录反馈
   └─ INSERT feedback (alice, inception, like)3. 模型训练（后台定期执行）
   └─ 分析：喜欢《盗梦空间》的用户还喜欢什么？4. 生成推荐
   └─ 为 alice 推荐：《星际穿越》《黑客帝国》5. 用户看到推荐
   └─ 首页展示推荐结果6. 循环迭代
   └─ alice 点击了《星际穿越》→ 再次记录 → 优化推荐

推荐策略 #

Gorse 使用 多源融合策略：

1. 协同过滤（Collaborative Filtering）

原理：找到相似用户，推荐他们喜欢的物品
例子：- alice 和 bob 都喜欢《盗梦空间》- bob 还喜欢《星际穿越》- 推荐《星际穿越》给 alice

2. 物品相似（Item-to-Item）

原理：推荐和用户历史物品相似的其他物品
例子：- alice 喜欢《盗梦空间》（科幻、烧脑）- 找到相似电影：《星际穿越》（同样是科幻、烧脑）- 推荐《星际穿越》

3. 热门推荐（Popular）

原理：推荐最热门的物品
例子：- 当前最火的电影：《阿凡达2》- 作为冷启动用户的推荐

4. 最新推荐（Latest）

原理：推荐最新上架的物品
例子：- 今日上映：《流浪地球3》- 推荐给科幻爱好者

融合策略：

推荐结果 = 
  30% 协同过滤 +  30% 物品相似 +  20% 热门推荐 +  20% 最新推荐

Gorse 的架构设计 #

三层架构 #

┌─────────────────────────────────────┐
│         用户/应用                    │
│     (Web, App, 小程序)               │
└───────────────┬─────────────────────┘                │ HTTP/HTTPS
                ↓
┌─────────────────────────────────────┐
│          Server 节点                 │
│    (RESTful API + 实时推荐)          │
└───────────────┬─────────────────────┘
                │ gRPC
                ↓
┌─────────────────────────────────────┐
│          Master 节点                 │
│   (模型训练 + 任务调度 + Dashboard)   │
└───────────────┬─────────────────────┘
                │ gRPC
                ↓
┌─────────────────────────────────────┐
│         Worker 节点 (多个)           │
│     (离线计算 + 批量推荐)             │
└─────────────────────────────────────┘
                │
                ↓
┌─────────────────────────────────────┐
│       存储层 (MySQL + Redis)         │
│  (用户数据 + 物品数据 + 推荐缓存)      │
└─────────────────────────────────────┘

节点职责 #

Master（大脑）

职责：1. 模型训练
   - 协同过滤模型
   - 点击率预估模型   
2. AutoML
   - 自动搜索最佳超参数   
3. 任务调度
   - 触发 Worker 计算推荐   
4. Dashboard
   - 系统监控
   - 数据管理

Worker（手脚）

职责：1. 批量推荐
   - 为每个用户生成推荐列表   
2. 相似度计算
   - 计算物品之间的相似度
   - 计算用户之间的相似度   
3. 水平扩展
   - 可以启动多个 Worker
   - 自动负载均衡

Server（嘴巴）

职责：1. RESTful API
   - 提供 HTTP 接口   
2. 实时推荐
   - 处理用户请求
   - 返回推荐结果   
3. 在线更新
   - 实时插入反馈
   - 动态调整推荐

数据流向 #

用户行为 → Server → DataStore (MySQL)
                        ↓
            Master 定期加载数据
                        ↓
                   训练模型
                        ↓
            Worker 计算推荐 → CacheStore (Redis)
                                    ↓
                        Server 读取缓存
                                    ↓
                            返回给用户

实战：电影推荐系统 #

场景设计 #

构建一个简单的电影推荐系统：

• 100 部电影
• 10 个用户
• 每个用户看过 5-10 部电影

完整代码 #

#!/bin/bash# movie_recommendation.shBASE_URL="http://localhost:8088"echo "🎬 开始构建电影推荐系统..."# 1. 创建用户echo "1️⃣ 创建用户..."users=("alice:female,student" "bob:male,engineer" "charlie:female,designer" 
       "david:male,teacher" "eve:female,doctor")for user in "${users[@]}"; do
  IFS=':' read -r id labels <<< "$user"
  curl -s -X POST $BASE_URL/api/user \
    -H "Content-Type: application/json" \
    -d "{\"UserId\": \"$id\", \"Labels\": [\"${labels//,/\",\"}\"]}" > /dev/null  echo "  ✓ 创建用户: $id"done# 2. 创建电影echo "2️⃣ 创建电影..."movies=(  "inception:scifi,thriller:诺兰烧脑神作"
  "interstellar:scifi,drama:星际穿越"
  "dark_knight:action,thriller:黑暗骑士"
  "matrix:scifi,action:黑客帝国"
  "titanic:romance,drama:泰坦尼克号")for movie in "${movies[@]}"; do
  IFS=':' read -r id labels comment <<< "$movie"
  curl -s -X POST $BASE_URL/api/item \
    -H "Content-Type: application/json" \
    -d "{
      \"ItemId\": \"$id\",
      \"Labels\": [\"${labels//,/\",\"}\"],
      \"Categories\": [\"movie\"],
      \"Comment\": \"$comment\"
    }" > /dev/null  echo "  ✓ 创建电影: $comment"done# 3. 插入反馈echo "3️⃣ 插入用户反馈..."feedbacks='[
  {"UserId": "alice", "ItemId": zuqiu.zuqiu.zuzb.info"inception", "FeedbackType": "like"},
  {"UserId": "alice", "ItemId": "interstellar", "FeedbackType": "like"},
  {"UserId": "bob", "ItemId": "dark_knight", "FeedbackType": "like"},
  {"UserId": "bob", "ItemId": "matrix", "FeedbackType": "like"},
  {"UserId": "charlie", "ItemId": "titanic", "FeedbackType": "like"}
]'curl -s -X POST $BASE_URL/api/feedback \
  -H "Content-Type: application/json" \
  -d "$feedbacks" > /dev/nullecho "  ✓ 插入了 5 条反馈"# 4. 等待系统计算echo "4️⃣ 等待系统计算推荐..."sleep 15# 5. 获取推荐echo "5️⃣ 获取推荐结果..."for user in "alice" "bob" "charlie"; do
  echo ""
  echo "📺 为 $user 推荐："
  curl -s "http://localhost:8088/api/recommend/$user?n=3" | jq -r '.[]'doneecho ""echo "✅ 电影推荐系统构建完成！"

运行效果 #

$ bash movie_recommendation.sh
🎬 开始构建电影推荐系统...
1️⃣ 创建用户...
  ✓ 创建用户: alice
  ✓ 创建用户: bob
  ...
2️⃣ 创建电影...
  ✓ 创建电影: 诺兰烧脑神作
  ✓ 创建电影: 星际穿越
  ...
3️⃣ 插入用户反馈...
  ✓ 插入了 5 条反馈
4️⃣ 等待系统计算推荐...
5️⃣ 获取推荐结果...
📺 为 alice 推荐：
dark_knight
matrix
titanic
✅ 电影推荐系统构建完成！

推荐解释 #

为什么 alice 会收到这些推荐？

alice 喜欢：
  - inception (scifi, thriller)
  - interstellar (scifi, drama)
推荐逻辑：1. dark_knight (action, thriller)
   └─ 因为：和 inception 都有 thriller 标签2. matrix (scifi, action)
   └─ 因为：和 interstellar 都有 scifi 标签3. titanic (romance, drama)
   └─ 因为：和 interstellar 都有 drama 标签

常见问题与解答 #

Q1: 需要多少数据才能有效果？ #

最低要求：

用户数：≥ 100物品数：≥ 100反馈数：≥ 1000推荐：用户数：≥ 1000物品数：≥ 1000反馈数：≥ 10000

冷启动策略：

数据不够时，使用：1. 热门推荐2. 最新推荐3. 基于内容的推荐（标签匹配）

Q2: 推荐结果多久更新？ #

实时更新（秒级）：- 用户反馈立即生效- 从推荐中移除已看过的快速更新（5分钟）：- 更新缓存- 调整推荐顺序全量更新（1小时）：- 重新训练模型- 重新计算所有推荐

Q3: 如何提高推荐准确度？ #

1. 增加数据维度

{
  "UserId": "alice",
  "Labels": ["female",gov.www.yj.jrzb2.info "25-30", "tech", "movies"],  // 丰富的标签
  "Comment": "Software engineer who loves sci-fi"    // 描述}

2. 使用多种反馈类型

like: 喜欢（强信号）view: 浏览（弱信号）buy: 购买（最强信号）

3. 调整推荐策略

[recommend.ranker]type = "fm"  # 使用 FM 模型重排序recommenders = [  "collaborative",      # 协同过滤
  "item-to-item",      # 物品相似
  "non-personalized"   # 热门推荐