推薦系統的一個常見架構包含 加入下列元件：
- 生成候選字
- 計分
- 重新排名
生成候選字
第一階段 系統會從一個巨大的語料庫開始 產生的候選子集較少。例如： YouTube 的產生器，將數十億部影片縮減至數百或數千部。 模型必須快速評估查詢，因為 語料庫一個模型可能會提供多個候選生成器，每次都提供提名 不同的候選文字子集
計分
接著，另一個模型為選取項目的排名和排名 要向使用者顯示的一組項目 (以 10 的順序排列)。自此 模型只評估一小部分的項目 更加精確的模型仰賴額外的查詢
重新排名
最後，系統必須考量 最後排名舉例來說，系統會移除使用者 明確表示不喜歡或提高新內容的分數。重新排名 也有助於確保多元、更新性和公平性
我們會在本課程中探討各個階段，並 介紹 YouTube 等各種推薦系統。