工程架构

架构图

冷启动链路的整体框架如下图所示：

冷启动链路流程

1. App请求推荐服务，获取推荐内容列表

2. 推荐服务调用冷启动召回模块，获取匹配上的候选物品

3. 推荐服务调用冷启动算法打分EAS服务，传递参数：待打分候选物品列表， 用户/物品特征，返回数量等参数

4. 冷启动算法打分EAS服务根据特征生成配置文件生成context特征向量；这一过程可能需要从特征存储系统里获取物品特征

5. 冷启动算法打分EAS服务从模型参数存储系统（如，Hologres数据库）同步并缓存模型参数

6. 冷启动算法打分EAS服务调用模型，为每个候选物品计算预测分数，这一过程中需要实现E&E策略，即做好探索与利用的平衡

7. 冷启动算法打分EAS服务根据上一步计算的分数，截取Top N个候选物品

8. 冷启动算法打分EAS服务把Top N候选物品的特征向量实时写入特征存储系统（后端日志存储），为后续的模型训练提供物料

9. 冷启动算法打分EAS服务把Top N候选物品返回给推荐服务

10. 推荐服务把获取到的N个冷启动物品与常规推荐结果列表混合后，返回给APP展现

11. APP实时把展现、点击等行为日志上传到日志服务器

12. Flink任务从消息中间件（kafka、datahub等）读取日志服务器上收集到的实时行为日志

13. Flink任务解析日志，并根据配置筛选目标场景的行为日志，用于构建样本和模型训练

14. Flink任务等待一小段时间后，根据行为类型构建样本标签，并从特征存储系统中获取样本的特征向量

15. Flink任务做模型训练的Online Learning，并实时同步模型参数至模型参数存储系统，以便冷启动算法打分EAS服务获取

数据流动视图