推薦系統的常見架構是由下列元件組成：
- 候選人產生
- 計分
- 重新排名
產生候選人
在第一個階段中，系統會從潛在的大型語料庫開始，產生一小部分的候選清單。舉例來說，YouTube 的候選人產生器會將數十億部影片減少為數百或數千部。模型必須根據語料庫的龐大大小快速評估查詢。特定模型可能會提供多個候選產生器，每個候選項目都各不相同。
計分
接下來，另一個模型是對候選項目進行排名和排名，以便選取要向使用者顯示的一組項目 (順序為 10)。這個模型會評估項目相對較小的子集，因此可以使用更仰賴查詢的更精確模型。
重新排名
最後，系統在計算最終排名時必須考量額外的限制。例如，系統會將使用者明確點選的項目，或提升新內容的分數。重新排名有助於確保多元性、新鮮度和公平性。
我們會在本課程中探討上述各個階段，並提供不同建議系統 (例如 YouTube) 的例子。