1. 推荐
推荐系统本质上是一个信息过滤系统，它的每个模块都犹如一个漏斗，从海量的内容库中最终过滤出若干（一般是十量级）推荐系统认为用户最感兴趣的内容展示给用户。
召回
从海量的推荐内容池中，快速地过滤出较小量级用户潜在感兴趣的候选内容。
排序
排序环节可以使用复杂的排序模型，融入各个维度的特征，对召回的结果做更精准的打分计算。
重排
重排阶段有很多叫法，比如模型后处理阶段或者业务运营干预阶段。
2. 依赖
2.1 数据依赖
推荐系统作为一个典型的数据算法系统，数据是其最重要的依赖。
作为通用的公共数据和服务，显然不应该在推荐系统的边界内部，而应该是外部依赖。需要特别指出的是，需要有专门的团队或服务负责行为数据的收集。
2.2 平台工具依赖
物品信息的变更如果能被更快地通知到推荐系统，那么推荐系统的时效性就会更好，给到用户的结果也就会更好；再如，用户行为数据收集的准确性能有所提高的话，对应的相关性算法的准确性也会随之提高。
3. 头脑风暴
- 维护池子，独立服务。
- 推荐服务：召回->去重 -> 过滤->排序->返回
- 其他：AB-test，用户画像，冷启动
