推荐系统的基本架构

推荐系统本质上是一个信息过滤装置，用来在数以万计的海量内容中，筛选出最符合用户兴趣的那部分内容。

基于推荐系统，用户可以发现自己感兴趣的内容，从而提高体验。平台可以自动发现高价值的内容，从而提高效率，并且带来收益。

一个通用的推荐系统架构，就是以物料数据和行为日志为输入，基于预处理以及特征工程之后，得到相应的特征数据，再应用一些算法和模型，来学习特征数据中的隐含知识，最后根据这些隐含知识，来实现精准的个性化推荐。这其中包含了离线计算部分以及线上部分。

推荐系统的Online架构才是真正处理用户请求的服务。当用户的请求到来时，首先经过AB分流模块，在这里对用户的某些特征，应用哈希算法来进行分流，再对分流后的用户应用不同的动态配置，这主要是为了支持不同策略间的对比实验。然后是多路召回阶段，根据用户的某些特征，在多个召回服务以及redis中，并发地获取数据。召回地数据经过滤去重后，就得到了本次推荐的粗略结果。再对这个结果基于模型排序，就得到了基于用户兴趣的个性化推荐结果。最后，基于特定的业务规则，再进行一次重排序。

旧版本线上架构的并发瓶颈问题

旧版本的线上架构如上图所示，主要分为API服务和engine服务，均使用C++编写。API服务主要实现两个接口，一个是推荐feed接口，一个是获取详情接口。recall服务是召回服务，predict服务是模型排序服务。

当http请求到来的时候，首先经过SLB到达一台ECS，然后经过本机上部署的Nginx，转化成FastCGI协议，到达服务程序。Feed流推荐接口，依赖后续的几个服务，但是详情接口只是从redis里取数据。