推荐与广告技术架构的迭代逻辑

作者·黄崇远

『数据虫巢』

全文共4520字

题图ssyer.com

“ 所有的技术架构并不是一蹴而就的，都是在需求迭代中逐步的探索，并且不断的适应业务的发展，才逐步发展成最终我们所看到的样子。”

模型只是其中一环，在高速发展的这几年，各个场景，各个层面的模型探索可谓到了极致，所以有迹可循，有很多可以参考的方式方法，建模套路，横向以及纵向的模型选型，结合自身业务特点，对于样本、特征，或者目标的确定去做决定。

但在早期，其实推荐系统就等同于推荐的算法模型，包括早期协同推荐流行的时期，这是因为这是从人肉时代向机器时代过渡的阶段，其核心目标是建立一个比去过更为高效的流量分配机制，因此模型起到了决定性作用。

任何大机制的演变，都有其核心影响要素作为核心推动力，让推荐模型只是模型而不是推荐系统的变化最核心的因素是，数据在持续暴涨，甚至暴涨到单纯将数据灌入到模型然后直接输出结果的方式再也行不通，这里的行不通在于对效果以及性能的要求。

其次是业务的复杂性进一步被放大，例如电商场景中典型的ITEM数量巨大，上个章节中提到的酒旅行业的数据稀疏性问题，以及新闻资讯中ITEM实时性的问题等等。除了业务本身的复杂度不断的提升，其商业目标也在不断的进化，从过去单纯追求推荐流量粘性上升，提高到融合不同的商业目的，例如电商的品牌扶持，对于购买，甚至是留存追求等等，视频播放中对于时长的追求，直播领域对于打赏关注等深度转化的要求等等。

如上业务问题，单纯通过一个模型或者几个模型是解决不了的，需要一套相对成熟的解决方案来处理，而这个解决方案核心依托的就是系统架构的设计。

所以，叠加以上因素，最终是一个精益求精的演进过程，这里所谓的精益求精，不单纯是效果的提升，还有性能的要求。

于是，就衍生了分工，明确分工、各司其职是推荐系统设计的最核心原则。但聊框架的完全形态之前，笔者希望从推荐系统的发展逻辑出发，逐步陈述推荐技术框架的演化。从这种变化逻辑中看我们的推荐逻辑在技术框架维度是如何变化的，并且由于读者朋友们所处的业务场景肯定也同样会有不同阶段，不同的人力和成本的预算，从这个变迁逻辑中能够找到最适合自己的方案，以及逐步迭代的方向。

我们