推荐系统三十六式学习笔记：工程篇.常见架构25|Netflix个性化推荐架构

你是否曾经觉得算法就是推荐系统的全部，即便不是全部，至少也是嫡长子，然而实际上，工程实现才是推荐系统的骨架。如果没有好的软件实现，算法不能落地产生效果，产品不能顺畅地服务用户，不能顺利地收集到用户的反馈，更不能让推荐系统往更好的方向进化。

一个好的推荐系统不仅仅是在线下模型评测指标多么好，也不仅仅是在某个时刻像灵光乍现一样击中用户某个口味，而是随着用户的不断使用，产品和用户一起变好，产品背后的人得到进步，用户也越来越喜欢产品。

虽然影响用户产品的因素有很多很多，但是能否流畅得给用户推荐服务是一个最基本的标准。

架构的重要性

推荐系统向来是一个锦上添花的东西，传统的观点是推荐系统更加注重线下模型的效果，而非线上的服务质量，然而，时至今日，推荐系统不再是锦上添花，而是承担了产品的核心功能。
因此，对推荐系统架构的要求也高了很多。

一个好的推荐系统应该具备这些特质：
1.实时响应请求
2.及时、准确、全面记录用户反馈；
3.可以优雅降级
4.快速实验多种策略

上一篇介绍了当下最热门的推荐系统产品形式-信息流的架构，信息流并不是传统意义上的推荐系统，今天要介绍一种更符合经典推荐系统的架构，这就是著名的流媒体Netflix的推荐系统架构。

通过这篇文章，我会为你介绍，实现一个简化版的推荐系统架构应该至少包含哪些元素，同时，我会带你一起总结出，一个经典推荐系统架构应该有的样子。

经典架构

这张图就是Netflix的推荐系统架构图。

我先整体看一下这个架构，一共分成三层：在线、近线、离线。何为近线？近线是通常不太提的一个概念，或者通常就把他归入了在线的范畴。
实际上，可以这样定义这三个层级：
1.离线：不用实时数据，不提供实时服务；
2.近线：使用实时数据，不保证实时服务；
3.在线：使用实时数据，