§用户行为：浏览网页、点击、收藏、购买、点赞、关注等行为。
§用户行为结果：产生的话题、搜索关键词及反馈（评论/打分）等。
每种类型的数据可以抽象为一种特征，获取方式可来源于目标网站或社交网络。
3.2后台日志系统
日志系统主要是用来记录系统运行的轨迹，在记录的同时，跟踪分析错误，审计系统运行的流程。
日志记录的内容通常分为两大类，一是面向用户，二是面向开发者，这里我们更多关注第一类。
用户行为都会存储在日志数据库中，由于用户产生的数据量巨大且速度快，为了保证数据传输的稳定性，可以嵌入高吞吐量分布式消息系统——Kafka。
同时为了提高数据处理效率，通常会设定日志内容边界对检测出的无效数据源（例如..数据）先做过滤。当然经过筛选后的数据也并非规整，这就需要对数据进行一定层级的分级分类和格式规范了。
比如用户点击行为，会生成相应的点击日志，用户的每次查询会生成一个展示日志，与此同时会有一个并行的程序将归并点击日志与展示日志。
3.3推荐系统算法
有了前端展示后和后端数据之后，那么如何实现他俩的交互呢，这中间需要一个连接的桥梁——推荐系统算法。
推荐系统算法可以抽象为一个规则，只有把这个规则定义好，前端才知道哪些数据该展示并如何展示，后端数据库也知道哪些数据有价值。否则，如果将所有日志内容输出，不仅会增大用户信息检索的困难，系统也就失去了自身意义。
总的来说，推荐系统的实质就是一个用户行为特征与物品特征匹配的过程。
用户端特征包含用户自身、用户行为和用户行为结果三部分；物品特征包含标签、内容（关键词）等。
推荐结果均是基于用户特征及物品特征原始数据，在不同维度（时间、多样性、流行度等）上，根据用户需求赋予权重并进行处理（筛选、排序等）后的结果。即遵循用户—特征—物品过程。当推荐系统生成初始结果后，在通过过滤、排名算法生成最终推荐结果和推荐理由。
