AI内参_78_075_现代推荐架构剖析之三复杂现代推荐架构漫谈

你好，我是洪亮杰。

今天我和你分享的主题是现代推荐架构剖析之三复杂。

现代推荐架构漫谈。

本周我们讨论现代推荐系统的架构体系。

周一我们看了最简单的基于线下离线计算的推荐架构。

周三我们聊了基于多层搜索架构的推荐系统。

今天我们来谈一谈如何从这两种架构的思路出发，接满足更加复杂多变的实际情况。

这周我反复强调推荐系统的几个基本需求点。

第一，能够在一两百毫秒内给用户提供当前的推荐结果。

第二，需要对用户和系统的交互结果做出响应。

第三，需要考虑用户群体的覆盖率问题。

接下来我们就聊一些经常考虑的场景，起到一个抛砖引玉的作用供你参考。

第一个场景是关于新用户的问题。

今天你要搭建的系统面临的情况是新用户多，比如一个新上线的快速增长的产品。

那么我们需要怎么考虑架构呢？这里面啊有两个基本思路。

第一，我们要更加快速的抓住这些些新用户和系统的交互信息，从而更好的为他们推荐信息。

第二，在我们还没有足够多的信息的时候，如何为这些用户提供推荐结果。

我们先从第一点说起，如果希望能够更加快速的抓住用户的交互信息，从而很好的为他们推荐内容。

有两种做法，要么能够快速更新模型，从而更新推荐结果，要么快速更新特性，从而事先处理好果。

如果我们整个产品只有一个全局的排序模型的话，不管是基于线下的静态架构，还是基于搜索的架构，基本上都不可能很快的去更新这个全局模型。

因此在这种情况下，就需要去思考如何更新特性。

对于搜索的框架，也许我们可以通过更新特性，从而达到在重排序的这个阶段。

因为特性改变而带来不同的结果。

但是对于线下的静态架构，因为所有推荐结果都是事先处理好的。

因此，改变特性也不能改变结果。

除非针对这个用户对所有的推荐结果重新进行线下计算。

这样做是可行的，但是计算成本还是相对比较高。

因此，综合来看，如果在新用户比较多的情况下，并且我们还希望抓住用户的交互，静态架构可能就会显得有一些心有余而力不足了。

第二点则是新用户的交互信息一开始会比较少。

如何处理冷启动呢？我们前面提到过，其实冷启动可以利用一些用户的其他信息，比如年龄、性别、地理信息来产生推荐结果。

我们可以为用户显示当前比较流行的在某个年龄段某个性别、某个地理区域的信息。

一个简单的思路是，这些年龄、性别、地域的信息，可以每个小时或者每天更新一次，单独存放在一个数据库里。

当用户来网站的时候，我们可以尝试从搜索的架构里提取信息，也从这个单独的数据库里提取信息。

然后在这个基础上进行全部重新排序，这样我们就能够保证架构的统一性，同时也解决了冷启动的问题。

第二个场景是新物品的问题和大量新用户问题不同的是，大量新物品的问题则更加棘手一些。

在静态框架下，新物品意味着对于所有的用户，我们之前都没有考虑过这些物品。

因此，如果不进行特殊处理，我们是绝对没法把这些物品展示给用户看的。

这里有两种思路，一种思路就是把新物品加入到内容池里，对于所有的用户全部重新生成推荐结果，这当然是最简单的想法，但是很显然这样做是非常耗时的。

另外一种思路，我们把当天产生的新物品单独存储在一个数据库，针对这些物品给出一些预估计的分数。

这里当然可以针对物品的特性，结果，这可以可机给定一些分数。

然后我们在显示推荐的时候，可以混合之前线下已经产生的推荐结果和当天的新物品结果。

这样从用户的角度来看，这样是可以对新物品进行推荐的。

在搜索架构下也有两个类似的思路。

第一，那就是我们对索引进行重索引，但这个过程相对比较耗时。

第二，那就是对新物品构建一个临时索引或者数据库。

最后的结果是从索引和当天的临时存储中共同获取，然后进行重新排序。

在新物品比较多，并且很快就会过时的情况下。

另外一个需要注意的棘手问题就是推荐模型一定不能紧紧抓住用户喜爱的某一个物品，比如新闻，推荐用户喜欢某一个新闻。

但是这个新闻很快就会过时，这就和商品推荐有很大的不同。

对于商品来说，用户可以反复购买。

同一件日用品。

今天我为大家讲了利用推荐系统的一个重要问题，就是如何构架一个现代推荐系统。

我们聊了两个场景下的一些更加细致的取舍，分别是新用户多的情况和新物品多的情况。

其实啊所有的这些思路都不是死规矩，但是有一些基本的规则你可以去琢磨。

比如，我们尽可能把复杂的运算放在线下，因为毕竟需要在规定的时间内返回结果。

在一切有可能的情况下，尽可能使用搜索引擎来减少需要对大量物品进行打分的步骤。

再比如，对于活跃的用户，我们可以使用多层搜索架构。

但是对于不活跃的用户，我们可以依赖线下，提前产生呃所有的推荐结果，一起来回顾一下要点。

第一，我们再次回顾了推荐架构的需求。

第二，我们通过两个场景，新用户多和新物品多分析了架构里面的一些取舍。

最后给你留一个思考题。

假设我们的推荐系统需要给一个手机客户端的产品进行推荐。

最什么和桌面端不一样的，需要在架构上额外注意的地方呢？欢迎你给我留言，和我一起讨论。