个性化push推荐系统架构和经验分享 （三）

**

这里简单个性化push推荐系统架构：

**

**

这个架构大家一定见过挺多的了。这里我重点说下混合模型推荐系统这块，上个图吧：

**

多模型融合和模型基于预发送更新都是基于队列的message来进行update。系统间得调度和流程都是基于message 协议。
简单介绍其中两个简单得协议：
1、push message 发送消息，即发送消息。格式如下：
发送通知发送push消息的格式：

Json格式：
{“rulekey”:”20150824#01#2524901#1#1440404466081”,
“pushtime”:11,
“site”:1,
“vid”:2524901,
“partitionsize”:1,
“time”:1440404466081,
“feedbackid”:”01#1440404466081”}

  **备注:**

a、rulekey的生产规则是date+#+ruleId+#+vid+#+site最为前缀，后面自己根据需要自己扩展。
b、ruleid 就是模型id的编号。
c、feedbackid 就是模型反馈统计的token。
d、通过rulekey+#+partitionId 去取uids

    uids:是通过逗号分隔的uid的组合
     partitionID 从1开始到partitionsize

第二个消息协议：
pushfeedback message，即反馈消息：

这个就不做太多介绍了。

对于push这块，我认为和广告投放系统差不多。我这块叫它Push闭环模型，这里我对他得开发就是赌博机【Multi-Armed Bandits (MAB) 】

**

不断的开采(Explotation) & 探索(Exploration)[降低输得概率]

**

 还记得我之前和大家说的关于影响因素排序，这个决定我们接下来优化的精力顺序的投入，即战略的部署排期，下面得图我自己也忘了第一次得出处，但是和我们这里得出了的结论差不多：

总结下的把：

1. 做推荐系统前，我们一定要进行业务分析&算法选择
2. 一定要关注重点，有限的精力放在刀刃上，战略部署是有顺序可言的。先解决80%的问题，然后再用80%精力解决20%的问题。
3. 关注产品，明确推荐在其中起得作用和重要性。 因为它使产品生态的一部分，一定要明确其作用，让你作用发挥最大。

后面我们会升级这块会做下面三件事情：

1. 个性化push从1条变成4条
2. 发送时间的个性化
3. 推荐的多样性+规则策略的垂直细化

主要难点就是时间个性化和垂直策略的不断添加和下线。
后续我会重点介绍下我们这块的实践，比一定是最好的。