应届生也可以一步步搭建好推荐系统？
开篇：学习推荐系统存在的误区
先说一下我的情况，09年在上海交通大学读计算机方向，13年在本校读经济学方向，现在做人工智能。实不相瞒，所有的选择都是为了更高的薪水。哈哈哈！有机会，我再写一篇我的整个求学和求职的经历。
从16年研究生毕业，第一份工作是在某央企从事数据分析岗位，待了半年之后，就从安稳的环境中跳了出来。之后一直从事推荐算法相关的工作，经历过多次跳槽和升职。由于是做推荐和人工智能方向，因此薪资也是在逐步上涨。
在工作、学习、面试和被面试的经历中，总结出来一些学习推荐系统中存在的误区，跟小伙伴们分享一下，希望能作为想转行或者提升自己的小伙伴的指引。
- 推荐算法工程师，首先必须是工程师。在如此卷的职场，不会工程的小伙伴是很难混得下去的。我在面试的时候，首先考察的是候选人是否有工程能力(开发服务的能力，数据库知识等)。
- 只有大厂才把算法策略和算法工程区分的非常开。绝大部分小厂需要的是策略和工程能力都具备的员工。所以小伙伴们最好是具备算法和工程的双向能力，才能立于不败之地。
- 如今的算法模型，大多都是在框架(TensorFlow/pytorch等)上面开发，而且大部分的模型在GitHub上都能找到开源代码，会写模型现在已经不算什么高超的技能了。
- 一些刚入门的算法工程师往往对算法模型有非常高的执念，觉得只要换一个牛逼的模型，就能一招解决所有问题。这在实际工作中是万万不可取的。一方面，不同公司的数据分布不同，模型就不能套用，一切都是从数据出发的。另一方面，一旦开始上新的模型，就会背负巨大的业绩压力，投入人力物力几个月最终没有产出，这个时候会非常被动，最终结局可能就是提桶跑路。
- 大厂经常会发一些高深的模型，这些模型在绝大部分情况下都是不能直接套用。一方面，小厂没有大厂那么多的数据，高深的模型无法训练充分，强行训练只能是过拟合；另一方面，高深的模型推理成本非常高，小厂上线高深模型对工程师的技术要求太高，同时机器的成本开销也非常大，最终可能是收益无法cover掉成本
1、做推荐工程的小伙伴要懂推荐算法。算法的小伙伴让你上线一个模型，不能囫囵吞枣，直接干就行。需要理解模型在做什么，否则你都不清楚最终推理出来的结果是否正确。
2、做推荐算法的小伙伴要懂推荐工程。一个算法上线最终有没有效果，这个链条非常长。
工程上线的模型跟你给他的模型是不是同一个？
模型推理的时候有没有出现超时和bug？
线上的特征和模型的特征是否一致？
数据的回收是否及时？等等。
一旦模型上线不及预期，这个查起来就非常麻烦。所有的压力都传导到了算法小伙伴这边。所以这个时候，你如果不懂工程，怎么办？
我希望读到这个文章的小伙伴能够工程和算法兼顾。因为，大部分的小伙伴都是在小厂里面工作的，小厂是不会给算法的人专门配一个工程，但是你的KPI是实实在在背的。自己动手，才能丰衣足食！
补个彩蛋：
后续会在这里和大家把推荐系统如果做的，一步一步跟大家讲清楚，需要代码的，也会直接上代码。
- 我在讲推荐系统的时候，前期主要是从工程的角度去切入。一方面，我调研过，大部分博主都是从算法的角度去切入的，这些算法跟实际工作还是有一定距离的；另一方面我希望看完我这个系列的文章后，小伙伴能够自己从零开始写出简单的推荐系统，我会根据情况，一步步提供支持。
- 我这里讲的推荐系统主要是针对小公司。一方面，大厂的架构和小公司是完全不一样的，不具有普遍性；另一方面，我自己做过的最大的推荐系统日活大概6000w，再高日活的推荐系统，我自己也把握不住。
- 我在讲推荐系统架构设计和落地的时候，整个关注点就是两个，一个是小公司切实可用，另一个是成本和收益权衡。
投递蔚来等公司10个岗位 >
