#二期内容推荐架构

对外是http的接口，本质上是一个thin layer，做query转换，然后调用我们的thrift服务。

recommendation engine是基于thrift的服务。它有两个接口，一个是文档添加接口，一个是推荐结果接口，分别是两个thrift server。所需数据有两个，一个是item profile，一个是user profile。item profile采用pushed to server的方式，由另外的service从存储系统（HBase）中拉取出数据然后推送给server；user profile采用pulled by server的方式，从存储系统（redis/mc）中拉取。

• 文档接口

  • SetDocProfile(item_id, article_profile {topics, named_entities})
    • 添加文档的profile信息到In-Process Doc DB，topics是文档的ldatopic向量，named_entities是提取的重要的entity
  • SetDocMetrics(item_id, article_visits{covisited_articles, clicks_by_uclusters} )
    • 添加文档的访问信息，主要是同时被访问的文章有哪些，被哪些用户聚类下的用户访问过，次数分别是多少
  • 如果in-process doc DB不支持并发读写，那么文档接口使用TNonblockingServer，否则使用TThreadedSelectorServer

• 推荐结果

  • GetRecommendation(user_id, ip, etc..) 根据user_id获取用户的user profile；然后遍历in-process article db，选取综合相关性和多样性的推荐结果。
  • 具体过程是，首先Algo Selection模块确定当前这次serving需要应用那几个算法，并访问存储获取当前访问者的user profile
  • 然后依次调用selection, scoring和result插件；Selection相当于做一次粗筛，选取了与用户某一方面相关的item；然后scoring做分数计算；result插件选取top N，生成最终结果，返回多个结果时，多样性可以在这里来处理。

• In-process Doc DB
  • 使用leveldb来实现，需要两组接口，一个是添加文档的接口，对应service中的SetDocProfile和SetDocMetrics；另一个是查询/遍历接口。使用leveldb的原因是其本身就做了persistence，而且in-process效率很高。
• Algo Selection 预先编写好的流量分配策略，根据uid/ip或随机的方式来进行算法插件的选择
  • 获取当前用户的user profile，这部分也要有in-memory的LRU cache，以降低对UP存储的压力
• Algo plugins
  • ItemSelection plugin
    • 根据给定的user profile和item list，应用一些策略（topic matching, named entity matching, etc）来做初步的选取，返回结果为当前user profile, 粗筛过的item list，以及一些中间分数
  • ItemScoring plugin
    • 根据user profile，selection过程中的中间分数以及items，对每一个item计算一组分数
  • Result plugin
    • 根据scoring的分数，按照一定的规则（top K, budgeted maximum coverage）来选取最终的推荐结果

• 抓取文章，来自sina.cn web页面或wapcms数据库
• 分词，提取named entities
• 使用分词结果计算lda topic infer
• 将这部分profile通过推荐引擎的SetDocProfile接口推送给推荐引擎

• 从用户浏览日志中生成用户访问历史列表
• 生成用户的topic和named entity兴趣profile
• 使用Hadoop计算用户的MinHash聚类和PLSI聚类
• 将结果推送到HBase服务（凌晨执行，覆盖之前的结果，保证时效性）

• 数据中心通过Scribe将新浪新闻客户端请求日志推送到实时流系统中
• 实时流系统首先解析日志，提取user/dev id信息，以及item的it等
• 更新user和item的实时信息到HBase服务
  • user实时数据
    • 用户session访问历史
  • item实时数据
    • 被同时访问/like/评论的文章列表（co-engagement）
    • 被每一用户聚类访问/like/评论的次数
• 将结果以increment的方式推送到HBase服务

• HBase使用数据中心的实例
• 线上cache需要再部署redis或mc