将PAI-Rec集成至现有系统：精排替换_智能推荐 AIRec(AIRec)-阿里云帮助中心

若您已部署一套包含召回、过滤、精排及重排的成熟推荐系统，在引入 PAI-Rec 时，完整的在PAI-Rec上复现所有逻辑会有较大的工作量，因此我们建议您先替换原有系统的精排和重排模块，同时复用已有的召回结果。待 PAI-Rec 的精排模型在实验中取得显著效果后，再逐步将召回策略迁移至 PAI-Rec 引擎。

架构图

架构的核心是将您系统中的召回结果作为输入，交由PAI-Rec进行精排，再返回给您原有的系统。

召回与过滤：原有系统完成召回与过滤处理，生成待排序的物品列表。
流量切分与API调用：通过用户ID等方式切分部分流量，调用PAI-Rec推荐引擎接口。在调用时，将待排序的物品列表通过item_list参数传入。
PAI-Rec精排处理：PAI-Rec接收到请求后，将item_list作为一路召回源。随后，引擎获取用户与物品特征，利用已部署的精排模型进行打分排序，并可执行重排等后续操作。
结果返回与日志记录：PAI-Rec返回排序后的物品列表以及本次推荐的实验ID（exp_id）。您的客户端需记录exp_id与request_id，用于后续的效果分析和实验评估。

PAI-Rec侧配置

基于PAI-Rec的推荐方案（使用PAI-FeatureStore来管理特征），配置特征工程、精排模型，然后生成代码，部署到DataWorks中。

模型打分服务：分为TensorFlow和PyTorch版本，请分别参考EasyRec Processor和 TorchEasyRec Processor。
PAI-Rec引擎内部：
- 通过FeatureStore获取用户特征，详情请参见PAI-FeatureStore。
- 引擎配置单中配置上下文召回（ContextItemRecall）。配置上下文召回之后，推荐引擎才会把接口传入的item_list作为一路召回。
```
{
    "SceneConfs": {
        "${scene_name}": {
            "default": {
                "RecallNames": [
                    "ContextItemRecall"
                ]
            }
        }
    }
}
```
- 在PAI-Rec引擎配置单中设置调用精排模型，详情请参见精排配置。
- 通过A/B服务管理内部的A/B实验，可按照用户ID分桶，设置多个排序模型。

用户侧工作

用户侧推荐系统保留原有的召回、过滤和曝光等操作，并将召回结构、用户ID、用户特征和过滤规则等传给PAI-Rec做排序打分、重排等逻辑。此外，为配合PAI-Rec的集成，原有系统需要进行如下少量改造：

接口调用：改造推荐请求逻辑，调用PAI-Rec引擎接口，并在item_list参数中传入召回和过滤后的物品ID列表。
日志埋点：在曝光和行为日志中，记录从PAI-Rec接口返回的request_id和exp_id字段，这是进行实验效果归因和数据诊断的关键。