ES7+Spark 构建高相关性搜索服务&千人千面推荐系统

这门课的主题是搜索与推荐系统的工程落地，具体场景是一个本地生活类的点评业务：用户输入关键词找门店，系统要给出相关性高的搜索结果；同时在首页等位置做个性化推荐，让不同用户看到不同的门店。它解决的不是"搜索算法理论"或"推荐模型论文复现"，而是把 Elasticsearch 7 和 Spark 两套东西拼起来，做成一个能跑通、能上线的服务。如果你在工作中遇到"搜索召回不准""推荐结果千人一面""离线特征和在线服务对不上"这类问题，这门课的内容方向是对得上的。

先确认自己适不适合跟

这门课不适合零基础。它默认你已经能写 Java 或 Scala，知道 Spring Boot 这类服务端框架怎么搭，对 Maven 依赖、接口调试不陌生；同时最好对 Elasticsearch 的基本概念（索引、分词、查询 DSL）和 Spark 的 RDD/DataFrame 有过接触，哪怕只是跑过 demo。如果你完全没碰过这两样，直接跟会卡在环境配置和数据准备上，收益很低。反过来，如果你已经会写单机搜索或单机推荐脚本，但没做过"离线训练 + 在线服务"的完整链路，这门课的定位就比较合适。转行者如果只有编程语言基础，建议先补 ES 和 Spark 的入门操作，再回来看。

建议的观看顺序和练习方式

不要从第一章顺着往下刷。先看项目设计部分，搞清楚业务需求怎么拆成搜索模块和推荐模块、两边各自需要哪些数据、接口怎么约定，这一步决定了后面所有代码的位置感。然后进入搜索部分，重点看查询构造、相关性排序和结果过滤是怎么写的，边看边在自己的 ES 里建一个小索引，用几条测试数据复现同样的查询，观察打分变化。推荐部分建议放在搜索之后看，因为它依赖前面搭好的数据管道和特征存储；点击率预估那一章偏算法，如果只是想先把服务跑起来，可以第一遍略过细节，知道它在链路里的位置即可，第二遍再回头补公式和特征工程。每看完一个模块，最好把该模块的接口用 Postman 或 curl 调一遍，确认返回结构符合预期，而不是只看视频里跑通。

学完能独立做到什么程度

跟完并动手练过之后，你应该能独立搭出一个最小可用的搜索加推荐服务：用 ES 完成门店的索引设计和关键词检索，能调整分词和排序策略让结果更贴近业务；用 Spark 完成离线特征计算和简单的推荐候选生成，并把结果写入在线存储供接口读取；能说清楚离线部分和在线部分的数据是怎么衔接的，出问题时知道先查哪一段。它不会让你变成算法专家，但能让你在团队里接得住"把搜索相关性提一提""给推荐加个召回逻辑"这类具体任务，也知道后续该往哪个方向深挖。