Gorse Learning

参考的资料：

Gorse 推荐系统入门：从零到一构建推荐引擎 - 技术漫游 - 博客园

gorse-io/gorse | DeepWiki

主页 | Gorse

入门

什么是推荐系统

三个要素：

记录行为
理解兴趣
预测可能喜欢

启动与使用

直接使用 docker 启动（参阅官方文档）。

基于 Web 的，直接访问 localhost:8088 可以浏览。

使用 curl 进行插入数据、创建物品、插入反馈、获取推荐等。

核心工作原理的概述

四个核心概念：

用户
- 基础信息：ID、标签等（如年龄、性别）
- 行为历史：浏览、点击、购买...
物品
- 基础信息：ID、标签
- 统计数据：热度、评分
反馈
- 用户+物品+类型+时间
推荐
- 根据历史行为预测用户可能喜欢的物品

流程图：

用户产生行为
系统记录反馈
模型定期执行分析、训练
生成推荐
用户看到推荐
循环迭代，回到 1

Gorse 的推荐策略：多源融合。

协同过滤：找到相似用户，推荐他们喜欢的物品
物品相似：推荐和用户历史物品相似的其他物品
热门推荐：推荐最热门的物品
最新推荐：字面意思

所谓融合策略：推荐结果 = 30% 协同过滤 + 30% 物品相似 + 20% 热门推荐 + 20% 最新推荐

Gorse 的架构设计

三层架构：

flowchart TD
    A["用户 / 应用<br/>Web · App · 小程序"]
    B["Server 节点<br/>RESTful API + 实时推荐"]
    C["Master 节点<br/>模型训练 + 任务调度 + Dashboard"]
    D["Worker 节点（多个）<br/>离线计算 + 批量推荐"]
    E["存储层<br/>MySQL + Redis<br/>用户数据 + 物品数据 + 推荐缓存"]

    A -->|HTTP / HTTPS| B
    B -->|gRPC| C
    C -->|gRPC| D
    D --> E

关于 gRPC

RPC = Remote Procedure Call，远程过程调用。核心思想就是「像调用本地函数一样调用另一台机器上的函数」。

gRPC = Google 开源的一套 RPC 框架。

Protobuf = gRPC 通常使用的数据描述和序列化格式。你会写一个 .proto 文件定义「有哪些函数、参数是什么、返回值是什么」。

比如 Gorse 架构里：

Server  ──gRPC──>  Master
Master  ──gRPC──>  Worker

假设 Master 提供一个函数：

GetModel(name string) Model

Server 想调用它。但问题是：Master 和 Server 是两个独立进程，甚至可能运行在不同机器上，Server 显然不能直接：

model := master.GetModel("ranking")

gRPC 做的事情，就是让这种远程调用看起来很像普通函数调用：

model, err := client.GetModel(ctx, request)

实际上背后发生的是：

Server
  │
  │ 调用 GetModel(...)
  ↓
gRPC Client
  │
  │ 序列化成 Protobuf
  │ 通过 HTTP/2 发送
  ↓
网络
  ↓
Master 上的 gRPC Server
  │
  │ 反序列化
  ↓
真正执行 GetModel(...)

Master 节点

可以理解为 Gorse 架构的大脑。

模型训练
AutoML： Automated Machine Learning（自动机器学习）
任务调度，触发 Worker
Dashboard：监控、数据管理

Worker 节点

理解为 Gorse 架构的手脚。

批量推荐：为每个用户生成推荐列表
相似度计算：计算物品之间的相似，计算用户之间的相似度
水平扩展：启动多个 Worker，负载均衡

Server 节点

理解为「嘴巴」。

提供 RESTful API
实时推荐
在线更新

综合

flowchart LR
    A["用户行为"] --> B["Server"]
    B --> C["DataStore<br/>MySQL"]

    C --> D["Master<br/>定期加载数据"]
    D --> E["训练模型"]

    E --> F["Worker<br/>计算推荐"]
    F --> G["CacheStore<br/>Redis"]

    G --> H["Server"]
    H --> I["返回用户"]

    %% 局部调整布局
    subgraph Train[" "]
        direction TB
        D --> E
    end

    subgraph Recommend[" "]
        direction TB
        F --> G
    end