写回答
-
设计这样的一个架构，有四个基本要求。
第一个要求，目标客户有百万级 MAU（monthly active user）的一个推荐业务需求的应用，每一次参与模型训练的时候，整个的训练样本量可能是上亿级别的。需要基于整个平台过去一个月甚至半年的数据做一个整体的建模，因为在机器学习领域数据量越大，模型越精准。数据可以拆分为三种：用户的行为数据、商品的行为数据、用户商品之间的交互数据。
第二个要求，它要有算法插件化部署的能力。大家知道机器学习这个领域，包括推荐领域发展特别快，每年都会衍生出一些新的算法。这些算法在整个系统中能不能做到灵活地插拔。比如说今天我用算法 A，明天算法 B。我可不可以方便的把算法 A 直接踢掉。这就是你的系统的鲁棒性，包括对于算法组件化支持的能力。我们现在推出的阿里云机器学习平台 PAI 有这样的一个能力。
第三个要求，就是服务的性能问题。你是否可以做到每次请求毫秒级反馈。
第四个要求，就是支持资源的弹性拓展。比如说对于一些 APP，可能下班的时候大家在地铁上刷得比较多，凌晨大家刷得很少，你的推荐模型底层的使用资源，在用户量大的时候需要更多资源，在凌晨需要更少的资源。为了平衡成本，你能否实现底层资源的灵活拓展性。这个可能适用云上的服务，它的一个优势是资源的弹性。
如果搭建一个企业级的推荐系统，一定要满足上述四个基本的要求。
以上内容摘自《个性化推荐系统开发指南》电子书，点击https://developer.aliyun.com/topic/download?id=204可下载完成版
2022-08-03 15:28:17赞同 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
人工智能平台 PAI（Platform for AI，原机器学习平台PAI）是面向开发者和企业的机器学习/深度学习工程平台，提供包含数据标注、模型构建、模型训练、模型部署、推理优化在内的AI开发全链路服务，内置140+种优化算法，具备丰富的行业场景插件，为用户提供低门槛、高性能的云原生AI工程化能力。
