项目用到的技术如下：
语言：
Python3模型训练：
PaddleRec,PaddlePaddle深度学习模型:
DNN,DeepFM向量召回：
milvus数据存储：
Redis模型推理：
PaddleServing模块通信：
gRPC,protobuf
在Youtube的二阶段推荐架构上拓展
(2)召回服务。召回服务主要有三个任务，当系统中有新用户使用时，上述的用户信息库中无法查询该用户的信息。系统可以利用原有的用户信息训练的模型拟合新增用户，新用户会通过这个用户模型得到用户向量；为了完成召回任务，需要提前将所有商品信息通过商品模型转换成特征向量并导入Milvus中，同理，当有新商品上架时，执行上述步骤以便线商品可以及时的被推荐；最后把用户向量和 Milvus 库中的商品向量做近似搜索，返回只包含商品id信息的候选集列表。
(3)排序服务。召回阶段得到的候选集商品id列表通过商品服务查询商品的详细信息，然后与用户向量结合作为排序服务的输入，排序模型通过打分把所有候选待推荐的商品按分数从高到低排序，最后返回这个含有详细商品信息的推荐列表。
Python3、PaddlePaddle2.2.2、PaddleServing、milvus1.0、redis
python3 -m pip install redis pymilvus==1.0.1 paddle_serving_app==0.3.1
sh prepare_server.sh
sh start_server.sh prepare_server.sh
line 1-2: 解压并启动 redis 服务
相关文件:redis-stable.tar.gz
line 3-6: 解压已经编译完成的 Milvus 源码文件并启动 Milvus 服务
相关文件:milvus_1.0.tar.gz
line 8: 将商品数据和用户数据存入 redis 中。
相关文件:执行脚本to_redis.py把products.dat和users.dat中的数据存入redis，请在执行脚本前将对应的文件放到根目录下
line 9: 将商品向量数据导入到milvus中
相关文件:执行脚本to_milvus.py利用milvus_tool/milvus_insert.py将product_vectors.txt中的向量导入 Milvus 中。
start_server.sh
line 1-3: 打开
proto文件夹并编译所有.proto文件
相关文件:执行run_codegen.py脚本利用protoc编译um.proto``````cm.proto``````user_info.proto``````item_info.proto``````recall.proto``````rank.proto``````as.proto文件解析生成py文件
line 4: 启动用户服务
相关文件:执行um.py脚本查询用户信息(仅对老用户生效，新增用户不在此服务处理)
输入: 用户id 输出: 存储在redis中该用户的完整信息，包括id、年龄、性别、所在城市等级、所在的省、市、区/县
通信端口：8910
line 5: 启动内容服务
相关文件:执行脚本cm.py查询对应的商品信息
输入: 商品id输出: 存储在redis中该商品的完整信息，包括id、品牌、店铺id、所属品类
通信端口：8920
line 6: 启动召回服务
相关文件:执行脚本recall.py调用milvus_tool/milvus_recall.py来召回商品集合中与用户向量相似的商品向量。用户向量通过get_user_vector()获取，
这样即使是新用户也可以为他推荐商品。
输入: 用户id输出: 召回排分top_k的商品id列表，显示每一个商品的id和预估分值
通信端口：8950
line 7: 启动排序服务
相关文件:执行脚本rank.py将候选集商品与该用户进行更精准的打分。（该服务需要需要配合其他模块使用，如果单独执行此服务则使用默认参数，只返回一个结果）
输入: 用户信息和商品候选集 输出: 通过打分按照降序排列返回商品信息列表
通信端口：8960
line 8: 启动完整服务流程
相关文件:执行脚本as.py将上述的几个服务进行串联，经过用户、召回、粗排序、精排序之后，直观地返回该用户的待推荐商品列表
输入: 新用户:完整用户信息 老用户:用户id输出: 由大到小排序的商品信息，每个商品信息包含了商品的id，品牌、店铺id和所属品类。
通信端口：8930
应用服务
export PYTHONPATH=$PYTHONPATH:$PWD/proto
python client.py as 5.0 1.0 3.0 11.0 120.0 741.0 #年龄,性别, 所在市等级,所在省,市,区（县）输入：输入一个新用户信息
输出
error {
code: 200
}
item_infos {
sku_id: "99654"
brand: "5849"
shopid: "9456"
cate: "7"
rank_score: 0.4635670781135559
}
item_infos {
sku_id: "12048"
brand: "6200"
shopid: "7501"
cate: "35"
rank_score: 0.46096566319465637
}
item_infos {
sku_id: "99676"
brand: "7212"
shopid: "4874"
cate: "24"
rank_score: 0.46056973934173584
}
item_infos {
sku_id: "257466"
brand: "8809"
shopid: "8921"
cate: "30"
rank_score: 0.45968693494796753
}
...python client.py as 8888 #老用户id输入：输入老用户id
输出
error {
code: 200
}
item_infos {
sku_id: "105825"
brand: "7388"
shopid: "7501"
cate: "62"
rank_score: 0.4515012204647064
}
item_infos {
sku_id: "309877"
brand: "7891"
shopid: "2875"
cate: "70"
rank_score: 0.4484674036502838
}
item_infos {
sku_id: "342525"
brand: "2873"
shopid: "4429"
cate: "70"
rank_score: 0.4484269320964813
}
item_infos {
sku_id: "310626"
brand: "8745"
shopid: "10298"
cate: "7"
rank_score: 0.4477023482322693
}
...
用户服务
python client.py um 8888输入:用户id
输出
error {
code: 200
}
user_info {
user_id: "8888"
age: "2.0"
sex: "0.0"
city_level: "5.0"
province: "20.0"
city: "43.0"
country: "2459.0"
}#输入一个不存在的用户id
error {
code: 500
text: "UM server get user_info from redis fail. (user_id: \"5\"\n)"
}内容服务
python client.py cm 99654输入:商品id
输出
error {
code: 200
}
item_infos {
sku_id: "99654"
brand: "5849"
shopid: "9456"
cate: "7"
}#输入一个不存在的商品id
error {
code: 500
text: "CM server get item_info from redis fail. (item_ids: \"1324142525\"\n)"
}召回服务
python client.py recall 8888输入:用户id
输出
error {
code: 200
}
score_pairs {
nid: "109610"
score: 4665.109375
}
score_pairs {
nid: "316351"
score: 4680.904296875
}
score_pairs {
nid: "295368"
score: 4771.783203125
}
score_pairs {
nid: "244867"
score: 4773.31787109375
}
...排序服务
python client.py rank输入:无输入，该服务单独执行仅使用默认输入参数
输出
error {
code: 200
}
score_pairs {
nid: "1"
score: 0.47999122738838196
}可以参考官方项目或我的项目自己训练获取模型或者完成一个新的推荐系统，或者私信我获取本项目缺少的模型和对应的数据文件
项目遵守Apache License 2.0协议，将代码更改的部分已作说明非常感谢PaddleRec的demo，本项目
大部分是基于该项目部分改动得到的。
感谢PaddleServing、Redis、milvus对项目部署的支持；