⚡ 第24课：实时推荐

🎯 学习目标

🗂️ 课程定位

📖 核心理论

实时推荐系统能在用户产生新行为后秒级更新推荐结果，捕捉用户即时兴趣变化。在短视频、新闻等信息流场景，用户兴趣变化快，实时性至关重要。

用户行为 → 实时特征计算 → 模型更新 → 推荐重算
    │              │              │           │
  Kafka        Flink          参数服务器    推荐服务
  (消息队列)   (流处理)      (增量更新)    (在线推理)

📐 数学公式

💻 代码实现

import numpy as np
np.random.seed(42)
print("="*60+"\n实时推荐系统\n"+"="*60)
n_users=20;n_items=15;K=5
# 初始模型
P=np.random.randn(n_users,K)*0.1;Q=np.random.randn(n_items,K)*0.1
bu=np.zeros(n_users);bi=np.zeros(n_items);mu=3.0
print(f"用户:{n_users} 物品:{n_items} 隐因子:{K}")
# 批量训练(离线)
print("\n--- 离线批量训练 ---")
interactions=[(np.random.randint(n_users),np.random.randint(n_items),np.random.randint(1,6))for _ in range(200)]
for ep in range(50):
    np.random.shuffle(interactions)
    for u,i,r in interactions:
        pred=mu+bu[u]+bi[i]+P[u]@Q[i];err=r-pred
        bu[u]+=0.005*(err-0.02*bu[u]);bi[i]+=0.005*(err-0.02*bi[i])
        P[u]+=0.005*(err*Q[i]-0.02*P[u]);Q[i]+=0.005*(err*P[u]-0.02*Q[i])
    if(ep+1)%10==0:
        rmse=np.sqrt(np.mean([(mu+bu[u]+bi[i]+P[u]@Q[i]-r)**2for u,i,r in interactions]))
        print(f"  Epoch{ep+1}:RMSE={rmse:.4f}")
# 实时更新模拟
print("\n--- 实时增量更新 ---")
new_interactions=[(0,5,5),(0,8,4),(1,3,1),(1,7,5),(2,10,3)]
for step,(u,i,r)in enumerate(new_interactions):
    pred=mu+bu[u]+bi[i]+P[u]@Q[i]
    err=r-pred
    bu[u]+=0.01*(err-0.02*bu[u]);bi[i]+=0.01*(err-0.02*bi[i])
    P[u]+=0.01*(err*Q[i]-0.02*P[u]);Q[i]+=0.01*(err*P[u]-0.02*Q[i])
    print(f"  Step{step+1}:用户{u}评分物品{i}(r={r}) 预测={pred:.2f} 误差={err:.2f}")
    # 推荐变化
    scores=mu+bu[u]+bi+P[u]@Q.T
    top3=np.argsort(-scores)[:3]
    print(f"    推荐更新:Top-3={top3}")
# 滑动窗口模型更新
print("\n--- 滑动窗口 ---")
window_size=50;stream_data=[(np.random.randint(n_users),np.random.randint(n_items),np.random.randint(1,6))for _ in range(200)]
window=[]
for t,data in enumerate(stream_data):
    window.append(data)
    if len(window)>window_size:window.pop(0)
    if(t+1)%50==0:
        for u,i,r in window[-10:]:  # 快速更新
            pred=mu+bu[u]+bi[i]+P[u]@Q[i];err=r-pred
            P[u]+=0.005*(err*Q[i]-0.02*P[u]);Q[i]+=0.005*(err*P[u]-0.02*Q[i])
        rmse=np.sqrt(np.mean([(mu+bu[u]+bi[i]+P[u]@Q[i]-r)**2for u,i,r in window]))
        print(f"  t={t+1}:窗口RMSE={rmse:.4f}")
# 实时特征更新
print("\n--- 实时特征 ---")
user_recent=defaultdict(list)  # 每个用户最近的交互
from collections import defaultdict
for u,i,r in new_interactions:
    user_recent[u].append(i)
for u in range(5):
    recent=user_recent.get(u,[])
    # 实时特征:最近交互数、偏好类目等
    print(f"  用户{u}:最近交互={recent} 活跃度={len(recent)}")

🔴 运行结果

✅ 验证通过

🔍 代码解读

💡 关键洞察

📝 本章小结

🧪 练习

📚 延伸阅读

💼 面试考点

🏭 工业案例