让我尝试尽可能直观地解释推荐系统在生产中的工作原理：

假设我们要构建一个 rec 系统。对于餐厅发现产品，用户可以对餐厅进行评分、添加评论、照片等，还可以从那里订购食物。

因此，用户的提要将有他/她所在地区的餐馆列表。但是，当我在每次点击 $ 模型中从餐厅获得收益时，我需要最大化用户点击餐厅的次数。

此外，很明显，如果用户最喜欢某家餐厅，他更有可能点击该餐厅。[餐厅特色为两人份成本、菜式、评分等]

所以在这里，用户是一个数据点，餐厅也是。因此，假设用户向量与餐厅之间的距离是用户对餐厅的“喜爱度”。

假设向量的形式为 [Japanese Spanish Mexican Chinese Indian Thai Turkey Lebanese] 假设一家餐厅的向量为：A = [0 0 0 1 1 0 0 0]

用户是：B = [2 23 4 53 43 21 2 45]

每个数字都是一种特定的美食。对于餐厅，是或否（1 或 0），即是否提供菜肴。

对于用户来说，它可以是他/她在提供该菜式的餐厅上的点击次数。（我在这里过于简化了。但是，这可能与点击次数+交易次数+内容生成的加权分数一样复杂，例如评论、评分等）

现在，8 维空间中 2 个向量之间的余弦相似度度量（向量的长度）是相似度得分。

现在，系统在为每个用户进行提要排名时使用这些分数。

这可以接近实时到每小时/每天更新一次，具体取决于公司能够负担得起的服务器。