小结
----

推荐系统作为深度学习在工业界最成功的落地成果之一，极大地提升了用户的在线服务体验，并且为各大公司创造了可观的利润，然而也带来了许多系统层面的挑战亟待解决。本节简单介绍了典型的工业界推荐系统架构及其面临的挑战，并给出了潜在的解决方案的方向。在实际生产环境中，具体的系统设计方案需要根据不同推荐场景的需求而变化，不存在一种万能的解决方案。

扩展阅读
--------

-  推荐模型：\ `Wide & Deep <https://arxiv.org/abs/1606.07792>`__

-  开源推荐系统框架：\ `Merlin <https://irsworkshop.github.io/2020/publications/paper_21_Oldridge_Merlin.pdf>`__

-  软硬件协同设计加速超大规模深度学习推荐系统训练：\ `ZionEX <https://arxiv.org/abs/2104.05158v5>`__

-  利用多级缓存支持超大规模深度学习推荐系统训练：\ `Distributed
   Hierarchical GPU Parameter Server for Massive Scale Deep Learning Ads
   Systems <https://arxiv.org/abs/2003.05622>`__

-  工业界机器学习系统的实践：\ `Hidden Technical Debt in Machine
   Learning
   Systems <https://papers.nips.cc/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html>`__

参考文献
--------

.. bibliography:: ../references/recommender.bib
   :style: apa