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。
