作者回复：同学，你好，其实对于小公司或者小团队来讲，搭建推荐系统的要求并不需要特别高，首先我们要评估好用量。 在我们的这套课程中，或者说真实企业的项目中，一共会分成下面几个部分： 1、推荐系统的模型项目：主要是推荐系统的算法运算、模型运算、推理等，这个可以单独用一个服务器； 2、前端的服务器，这个可以单独一个服务器，这个服务器要求不高，主要是web请求页面； 然后就是几个数据库，redis，MongoDB，以及MySQL（如果需要的话），这几个部分可以和前端共用一个服务器，也可以单独分开，这个就看预算了； 至于开发人员和成本，我觉得2~3个人的小团队，有2个月左右，一般来讲问题不大，如果前期没有很好的数据，可以尝试以冷启动或者我课程中的基于规则的推荐来启动这个项目。

作者回复：推荐系统可以和图数据库结合，但是这个不是绝对的。 至于您说的很多电商推荐系统推荐的不好，这个其实和对用户的分析以及对产品的定位有关。 在我们的课程中，将推荐系统服务端搭建的时候（大概在第15节课左右），会给大家留一个小作业，就是已经推荐过的内容就不在推荐，我觉得这个是比较利于用户体验的。当然，我们可以将其进行拓展，变成这一类的物品在短期内都可以不用推荐。 所以，这是很考验推荐策略的，也和产品定位有很大的关系。

作者回复：我个人觉得是没问题的，我们的课程代码分成3个部分。 1、数据获取：这部分是讲爬虫，我们是用Python来写的，用的是Python中的scrapy框架； 2、推荐模型搭建：这部分是讲各个模型怎么写，以及对数据库的操作； 3、服务端的搭建：这部分是webservice。 在这三部分中，第一部分和第三部分，实际上用任何语言都可以开发，Java中也有很好的爬虫框架，也有比较好的服务端框架，比如springboot等； 那么第二部分模型篇，其实用Java也可以实现，只不过对于机器学习来说，Python的库更多一些。我们只要了解算法本质，其实语言只是一个工具而已，不用过于纠结语言。

作者回复：同学你好，我在后续的embedding的召回中会提到如何使用faiss来搭配向量进行召回，我的这个课程实际上是一个实战类型的课程，主要是带着大家从头到尾来搭一个推荐系统项目，所以，更加注重整个推荐系统的工程化体系。

作者回复：同学你好，我来回答你的这几个问题： 1、课程中所说的开放，指的是他们的论文，而不是开源，就是Netflix已经发表了论文，详细地说明了这一套是怎么做的； 2、我是这么理解的，近似在线层是在召回层之后，实际上是对召回层的数据根据用户的信息再一次做筛选，因此可以理解为是更精细的召回，但是相对于排序来说，它的内容还是太多，所以是粗排序； 3、在线层依赖于近似在线层的结果，但是近似在线层实际上是对用户最近几分钟的历史行为来做更新，我们主要是取近似在线层更新的结果，所以，近似在线层的计算耗时并不影响在线层取内容； 4、Netflix的三层架构基本上现在的推荐系统都是这么来做的，相对通用； 5、推荐系统对大数据的依赖可大可小，主要看用户和内容的规模，因此，大数据框架出现之前，实际上也是可以利用其它的存储方式来获取数据进行计算，而且在大数据出现之前，一般业务量也不会特别大，所以，我认为，这个是时代发展的结果。

作者回复：同学你好，你的这个理解稍微有一点点偏差。首先在线层没有做存储功能，只是去收集实时数据，然后给到近似在线层和离线层。离线层存储的有2个，一个是历史轨迹，一个是本地信息，比如用户画像、用户数据、内容数据、内容画像等，kafka的消息队列，不做存储，你可以理解为一个管道，kafka只是这根管子，数据是在这里面排队的。 这些数据会经历离线的召回、近似在线层的排序和在线层的重排序，然后给到用户。 如果需要做降级的话，我们一般可以把近似在线层的值同时存入到两种数据库，比如MongoDB和Redis，如果Redis取不到就从MongoDB中取。层与层之间也是这样。

作者回复：同学你好： 1、我的课程里面的所有环境搭建都是一步一步的，没有任何跳跃，完全没有基础的，基本上也没什么问题； 2、我做过至少3套推荐系统，我们公司有一款App，就是类似于LOL盒子那种，周边资讯、社区和同人的文章、帖子等，这里面的推荐系统就是我带团队从0到1搭建的； 3、ChatGPT可以和推荐系统结合，这个有时间我可以讲一讲； 4、召回是推荐系统的专有名词，意思是把你可能喜欢的内容都筛选出来。

作者回复：感谢支持。