推荐系统架构

推荐系统主要模块如下图所示（以视频推荐为例）：

推荐系统的入口服务，主要职责为：

• 加载 User Profile 数据
• 请求 Leaf Server 获取推荐结果
• 请求 Video Server 完善视频信息
• 产生推荐日志。

推荐系统的主要“调度者”，主要功能为：

• 视频检索(retrieval)：从各种索引中检索大量的候选视频
• 请求粗排服务（rough ranking）
• 请求精排服务（full ranking）
• 进行多样性打散（variety）

推荐系统的算法核心，一般分为两个Server，分别由 Leaf Server请求：

• 粗排服务：利用轻量级的模型对大量视频进行排序，然后返回头部的少量作品，比如输入5000个视频，返回top 1000；
• 精排服务：使用比较复杂的模型对粗排返回的少量视频进行准确的排序，产生最终的排序得分；

数据落盘：通过使用 Kafka、HDFS 等手段，把 Router 拼接的推荐日志数据进行持久化，日志信息主要包括请求上下文、用户画像、推荐结果信息等。

使用落盘的推荐日志对模型进行训练，然后把训练的模型推送给 predictor 主要分为两类场景：

• 离线调研：主要使用 HDFS 上的数据进行训练
• 线上模型：根据实时性要求选择 Kafka 或者 HDFS 上的数据进行训练

个人初步总结，可能有不完善的地方，如有高见，欢迎评论指出。

如果转载，请注明出处，谢谢支持！