设计方案
设计目标
基于上文分析，如何在有限的成本之下快速从算法获取更多的红利是我们核心要解决的问题。因此我们期望构建这样一个推荐中台，通过一套推荐底坐支撑所有的中小推荐场，实现收敛推荐链路的同时让算法模型迭代形成规模效应。 显然，针对不同的业务场景，其对推荐策略存在不同的诉求。即使同一个场景内，也存在不同策略实验的述求。因此我们将推荐链路中的各个环节，进行了抽象，沉淀出内容池策略、特征策略、召回策略、粗排&精排&重排策略等，每一个推荐场景便可以认为是各环节策略的组合。
同时，我们将策略以配置化 插件的方式对外输出。这样，当我们有新的场景接入时，不再需要去搭建完整的推荐链路，而是通过少量的配置化工作完成。最终将新场景上线的周期，由周级别降低至天级别，同时算法模型的迭代优化也能更加专注，接入流程如下图所示。
整体架构
如下图，是推荐中台的整体架构。整体上，我们依赖特征中心，根据用户与商品维度的特征信息灵活组合，计算产出各个场景的推荐候选池，并构建底池索引至引擎中。算法结合数据样本与底池，进行模型训练与召回数据训练，并产出模型与内容表，也回流至引擎供在线部分使用。在引擎部分，我们针对召回与排序，提供了通用召回与算分模型的同时，也定义了标准的输入输出协议，以满足业务场景定制化接入的诉求。场景的所有策略抽象，都收敛至实验平台进行管理。
用户在线请求pv到来后，我们首先根据场景id路由，拉取到相关配置后，根据具体的策略内容，逐步执行推荐各环节，如下示意。
