模型存在多个目标得分,比如ctr_score、cvr_score、car_score等。而最终的得分如何计算,场景内也支持配置运算表达式与加权&降权(有些场景倾向转化,有些场景则重成交,或者满足交易抵扣的商品需要提权),来满足不同的场景要求。
实验体系
推荐系统迭代极快,算法工程师通常会展开很多AB实验,需要能够灵活的支持实验策略与流量调整。此外,全量用户基本比较固定,用户在不同场景,以及场景内不同实验,均需要做到互不干扰,保证实验的独立性。 在实现上,每次注册场景时,我们会同步创建实验与流量模型,并跟场景id进行绑定,确保场景之间的流量模型独立。场景内部多实验的诉求,则通过在流量模型内进一步动态分层的方式。这样场景A对应流量模型A,场景B对应流量模型B。而场景A里面,实验1按照50% vs 50%运行在流量模型A的分层1,实验2也可以按照50% vs 50%运行在流量模型A的分层2。
稳定性
推荐中台,承载了闲鱼10 推荐场流量,因此对系统的稳定性和业务的高可用有极高的要求。在系统部署上,分别在中心机房(张北)和单元机房(南通)进行了异地多机房部署,确保线上单一机房故障异常时,能够通过紧急切流将流量转发至正常机房提供服务。
此外,我们对接入的业务场景,也做了逻辑隔离。分场景配置限流熔断,当某一个场景有异常或者突发流量时,能够对其快速降级&熔断,避免其余场景受到影响,保障整体的高可用。