时光不回向店铺—美食
Python推荐算法开发，java 基于springboot 开发后台数据接口，vue开发前端界面
SNAP视频
经过20多年的发展，item-based已经成为推荐系统的标配，而推荐系统已经成为互联网产品的标配。很多产品甚至在第一版就要被投资人或者创始人要求必须“个性化”，可见，推荐系统已经飞入寻常百姓家，作为推荐系统工程师的成长也要比从前更容易，要知道我刚工作时，即使跟同为研发工程师的其他人如PHP工程师（绝无黑的意思，是真的）说“我是做推荐的”，他们也一脸茫然，不知道“推荐”为什么是一个工程师岗位。
如今纵然“大数据”， “AI”，这些词每天360度无死角轰炸我们，让我们很容易浮躁异常焦虑不堪，但不得不承认，这是作为推荐系统工程师的一个好时代。
推荐系统工程师和正常码农们相比，无需把PM们扔过来的需求给像素级实现，从而堆码成山；
和机器学习研究员相比，又无需沉迷数学推导，憋出一个漂亮自洽的模型，一统学术界的争论；
和数据分析师相比，也不需绘制漂亮的图表，做出酷炫的PPT能给CEO汇报，走上人生巅峰。
掌握核心原理的技能
数学：微积分，统计学，线性代数
周边学科：信息论基础
推荐算法： CF，LR，SVM，FM，FTRL，GBDT，RF，SVD，RBM，RNN，LSTM，RL
数据挖掘：分类，聚类，回归，降维，特征选择，模型评价
实现系统检验想法的技能
操作系统： Linux
编程语言： Python/R， Java/C++/C，sql，shell
RPC框架： thrift， Dubbo，gRPC
web服务： tornado, django, flask
数据存储： redis, hbase, cassandra, mongodb, mysql, hdfs，hive, kafka, elasticsearch
机器学习/深度学习： Spark MLib，GraphLab/GraphCHI，Angel，MXNet，TensorFlow，Caffe, Xgboost，VW，libxxx
文本处理： Word2vec，Fasttext，Gensim，NLTK
矩阵分解： Spark ALS，GraphCHI，implicit，qmf，libfm
相似计算： kgraph, annoy，nmslib, GraphCHI, columnSimilarities(spark.RowMatrix)
实时计算： Spark Streaming, Storm，Samza
为效果负责的技能
熟悉常见离线效果指标：准确率，召回率，AUC，基尼系数
能够定义产品效果指标：点击率，留存率，转换率，观看完整率
会做对比试验并分析实验结果：指标数据可视化
知道常见推荐产品的区别： Feed流推荐，相关推荐，TopN推荐，个性化推送
其他软技能
英文阅读；读顶级会议的论文、一流公司和行业前辈的经典论文和技术博客，在Quora和Stack Overflow上和人交流探讨；
代码阅读；能阅读开源代码，从中学习优秀项目对经典算法的实现；
沟通表达；能够和其他岗位的人员沟通交流，讲明白所负责模块的原理和方法，能听懂非技术人员的要求和思维，能分别真需求和伪需求并且能达成一致。
莫非8125
我的方案是thinkphp,前端vuejs，后端用nodejs或者swoole
理由如下
人生苦短，我用php，php就不多说了
vuejs和nodejs都是js，一脉相承，学习简单
swoole是类php语言，和php结合使用的
老欧日常
使用JS+CSS+HTML5语言。 小程序是基于微信平台的轻量级应用，它的开发是应用微信提供的小程序前端规范，结合企业自己开发的应用后端来制作的。 小程序开发使用的语言本质上就是JS+CSS+HTML5，不过不能直接用HTML标签，微信提供一个组件库，没有DOM和其他浏览器上的API；网络、Canvas等也重新包装过。 对于微信小程序而言，前端程序是唯一差异于网站建设技术的，因此，只要使用JS+CSS+HTML5让前端程序过得了关，能够写前端的接口，那么使用PHP,又或者java,以及asp.net的程序语言都是完全支持的。一般对于企业而言，都是采用php程序开发微信小程序；技术要求高一点的可以采用java程序开发。
0孤月痕0
我来回答这个问题，不少语言可以做。
java语言做推荐系统是比较好的，做好推荐系统要熟悉算法演练机器学习，分布式技术希望能帮到你。
D调多E点
java和php语言，一个是面向后端，一个面向前端。
一根葱
答案很简单。
服务器用go，前端vue。
