召回层：召回解决的是从海量候选item中召回千级别的item问题
- 策略规则类：热度召回、LBS、历史行为重定向（买了又买、点了没买）、基于标签召回、业务特有的其他规则
模型类：模型类的模式是将用户和item分别映射到一个向量空间，然后用向量召回，这类有itemcf，usercf，embedding（word2vec），Graph embedding（node2vec等），DNN（如DSSM双塔召回，YouTubeDNN等），RNN（预测下一个点击的item得到用户emb和item emb）；向量检索可以用Annoy（基于LSH），Faiss（基于矢量量化）。此外还见过用逻辑回归搞个预估模型，把权重大的交叉特征拿出来构建索引做召回
粗排层：本质上跟精排类似，只是特征和模型复杂度上会精简，此外也有将精排模型通过蒸馏得到简化版模型来做粗排
精排层：精排解决的是从千级别item到几十这个级别的问题
- 预估：lr，gbdt，fm及其变种（fm是一个工程团队不太强又对算法精度有一定要求时比较好的选择），widedeep，deepfm，NCF各种交叉，DIN，BERT，RNN
- 多目标：MOE，MMOE，MTL（多任务学习）
- 打分公式融合: 随机搜索，CEM（性价比比较高的方法），在线贝叶斯优化（高斯过程），带模型CEM，强化等
重排层：重排层解决的是展示列表总体最优，模型有 MMR，DPP，RNN系列（参考阿里的globalrerank系列）
展示层：
- 推荐理由：统计规则、行为规则、抽取式（一般从评论和内容中抽取）、生成式；排序可以用汤普森采样（简单有效），融合到精排模型排等等
- 首图优选：CNN抽特征，汤普森采样
探索与利用：随机策略（简单有效），汤普森采样，bandit，强化等
产品层：交互式推荐、分tab、多种类型物料融合
annoy地址：https://github.com/spotify/annoy
Annoy 是 Spotify 开源的高维空间求近似最近邻的库，在 Spotify 使用它进行音乐推荐。最邻近搜索（Nearest Neighbor Search, NNS）又称为“最近点搜索”（Closest point search），是一个在尺度空间中寻找最近点的优化问题。
Annoy 能够使用静态文件作为索引，意味着可以跨进程共享索引。它还创建了大量的基于只读文件的数据结构，这些数据结构被嵌入内存中，以便许多进程可以共享相同的数据。Annoy 的另一个好处是它试图最小化内存占用，因此索引非常小。
Faiss的全称是Facebook AI Similarity Search，是FaceBook的AI团队针对大规模相似度检索问题开发的一个工具，使用C++编写，有python接口，对10亿量级的索引可以做到毫秒级检索的性能。
简单来说，Faiss的工作，就是把我们自己的候选向量集封装成一个index数据库，它可以加速我们检索相似向量TopK的过程，其中有些索引还支持GPU构建，可谓是强上加强。
Maximal Marginal Relevance (a.k.a MMR) 算法目的是减少排序结果的冗余，同时保证结果的相关性。最早应用于文本摘要提取和信息检索等领域。在推荐场景下体现在，给用户推荐相关商品的同时，保证推荐结果的多样性，即排序结果存在着相关性与多样性的权衡。
目前工业界常用的推荐系统模型有哪些？ - 知乎 https://www.zhihu.com/question/314773668
Faiss入门及应用经验记录 - MECH的文章 - 知乎 https://zhuanlan.zhihu.com/p/357414033
贝叶斯优化(原理+代码解读) - 养生的控制人的文章 - 知乎 https://zhuanlan.zhihu.com/p/390373572
高斯过程 Gaussian Processes 原理、可视化及代码实现 - 王桂波的文章 - 知乎 https://zhuanlan.zhihu.com/p/75589452
推荐重排算法之MMR - icebear的文章 - 知乎 https://zhuanlan.zhihu.com/p/102285855
NIPS2018｜重排｜相关性与多样性推荐的trade-off——DPP - 潜心的文章 - 知乎 https://zhuanlan.zhihu.com/p/420225843