新闻系统源代码_新闻推荐系统源代码之推荐业务逻辑控制中心

在前面的文章中，我们实现了召回和排序，接下来将进入推荐逻辑处理阶段，通常称为推荐中心，推荐中心负责接收应用系统的推荐请求，读取召回和排序的结果并进行调整，最后返回给应用系统。推荐中心的调用流程如下所示：

推荐接口设计

通常推荐接口包括 Feed 流推荐和相似文章推荐

• Feed 流推荐：根据用户偏好，获取推荐文章列表(这里的时间戳用于区分是刷新推荐列表还是查看历史推荐列表) 参数：用户 ID，频道 ID，推荐文章数量，请求推荐的时间戳 结果：曝光参数，每篇文章的行为埋点参数，上一条推荐的时间戳
• 相似文章推荐：当用户浏览某文章时，获取该文章的相似文章列表 参数：文章 ID，推荐文章数量 结果：文章 ID 列表

行为埋点参数：

{    "param": '{"action": "exposure", "userId": 1, "articleId": [1,2,3,4],  "algorithmCombine": "c1"}',    "recommends": [        {"article_id": 1, "param": {"click": "{"action": "click", "userId": "1", "articleId": 1, "algorithmCombine": 'c1'}", "collect": "...", "share": "...","read":"..."}},        {"article_id": 2, "param": {"click": "...", "collect": "...", "share": "...", "read":"..."}},        {"article_id": 3, "param": {"click": "...", "collect": "...", "share": "...", "read":"..."}},        {"article_id": 4, "param": {"click": "...", "collect": "...", "share": "...", "read":"..."}}    ]    "timestamp": 1546391572}

这里接口采用 gRPC 框架，在 user_reco.proto 文件中定义 Protobuf 序列化协议，其中定义了 Feed 流推荐接口：rpc user_recommend(User) returns (Track) {} 和相似文章接口：rpc article_recommend(Article) returns(Similar) {}

syntax = "proto3";message User {    string user_id = 1;    int32 channel_id = 2;    int32 article_num = 3;    int64 time_stamp = 4;}// int32 ---> int64 article_idmessage Article {    int64 article_id = 1;    int32 article_num = 2;}message param2 {    string click = 1;    string collect = 2;    string share = 3;    string read = 4;}message param1 {    int64 article_id = 1;    param2 params = 2;}message Track {    string exposure = 1;    repeated param1 recommends = 2;    int64 time_stamp = 3;}message Similar {    repeated int64 article_id = 1;}service UserRecommend {    rpc user_recommend(User) returns (Track) {}    rpc article_recommend(Article) returns(Similar) {}}

接着，通过如下命令生成服务端文件 user_reco_pb2.py 和客户端文件 user_reco_pb2_grpc.py

python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. user_reco.proto

定义参数解析类，用于解析推荐请求的参数，包括用户 ID、频道 ID、文章数量、请求时间戳以及算法名称

class Temp(object):    user_id = -10    channel_id = -10    article_num = -10    time_stamp = -10    algo = ""

定义封装埋点参数方法，其中参数 res 为推荐结果，参数 temp 为用户请求参数，将推荐结果封装为在 user_reco.proto 文件中定义的 Track 结构，其中携带了文章对埋点参数，包括了事件名称、算法名称以及时间等等，方便后面解析用户对文章对行为信息

def add_track(res, temp):    """    封装埋点参数    :param res: 推荐文章id列表    :param temp: rpc参数    :return: 埋点参数        文章列表参数        单文章参数    """    # 添加埋点参数    track = {}    # 准备曝光参数    # 全部字符串形式提供，在hive端不会解析问题    _exposure = {"action": "exposure", "userId": temp.user_id, "articleId": json.dumps(res),                 "algorithmComb