认识达内从这里开始

我们在上文中给大家简单介绍了用户推荐系统的功能和适用场景等内容，而今天我们就再来了解一下，用户推荐系统结构与技术挑战都有哪些。

一、当前推荐系统的基本架构

在前面所讲的业务大趋势下，推荐系统技术层面正面临一些挑战。我们先了解一下当前推荐系统的基本架构，一般分为五个板块：

数据流：推荐系统的特点就是高度和数据流相关，那么技术层面要解决数据怎么来，数据怎么用，数据怎么加工处理，正确性和时效性如何保证等问题。

离线板块：系统内涉及到一些数据加工，任务处理，模型生产，指标报表等离线任务，怎么协调这些任务有序高效进行，并获得正确有效的结果。

在线板块：推荐系统对外提供实时推荐的能力，涉及到诸多的在线处理过程和规则。如何在适应业务快速变化的同时保证可用性和性能是至关重要的。

AI：当下推荐系统的重要组成部分，其包含整个AI模型生成到服务的全生命周期。如何从系统层面支撑AI全生命周期以及如何有机集成进系统是一个挑战。

基础设施：推荐系统是一个多领域交叉的综合应用，需要有众多的中间件、基础组件做支撑，如何管理和运维，减少依赖，有效利用是一个重要的命题。

二、当前推荐系统面临的技术挑战

a.开发运维部署迁移困难，曲线陡峭，效率低下。因为推荐系统等智能系统，都涉及到大量的基础组件和服务，各有特点，缺乏一体化的管理运维手段，如何把完整系统搭起来并管理，期间中间件或者服务出问题，都可能会导致系统不可用。这对于没有丰富的组件维护经验或者人力不足的团队来讲，是一个巨大挑战。

b.这实际上是一个应用治理的问题，服务，流程，规则，策略，数据，产物繁多，组织管理困难。图中任何一个框是一种服务，也可能是若干个服务，这些服务之间的依赖不直观，很难管理。数据流逻辑繁琐复杂，系统有很多的离线数据流，在线的数据流，还会产生大量数据产物，缺乏标准化的管理，极易出错。不同场景的差异化难以组织，不同的服务，策略间相互影响，其中一个可能表现就是在一个服务模块代码中因为要处理不同场景的逻辑而产生大量if分支逻辑。从架构上讲，一个好的场景服务应该是纵向切分的，不同的场景是不同的系统，场景间互相隔离，但这又会导致系统资源浪费，管理上面也很麻烦。因此，需要采取更加系统化的方法去治理它。

c.系统涉及到数据/在线/离线/AI各个领域，技术栈割裂，整个推荐流程需要大量的胶水代码来整合集成。而胶水代码的一个特点就是难以复用，不同人之间也难以维护。这样的割裂突出表现在以下三点：

众多领域技术，彼此割裂，难以集成

数据质量难以保证，效果也无法保证

定制性胶水代码驱动，无法复用，迁移

d.大量重复程序化工作难以避免。在面临支持多个场景的情况下，表现很突出。落地一个新的场景，可能需要各个系统配合开发，部署，而且这个过程是高度重复和繁琐的，终导致成本很高。这也是现在大一点的公司，为了效率和标准化，开始推动推荐系统中台化建设的一个原因，其目的是能够在一个平台上低成本的完成场景的快速开发和应用。

【免责声明】本文系本网编辑部分转载，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。如涉及作品内容、版权和其它问题，请在30日内与管理员联系，我们会予以更改或删除相关文章，以保证您的权益!更多内容请在707945861群中学习了解。