构建新推荐引擎

推荐系统不是凭空出现，要想推荐数据准确，仅有在线实时计算是不够的，因为实时在线计算能在通过各种各样技巧方法去处理，但能够实时计算数据是有限的。

推荐系统数据越多，用户越多面临问题越多，挑战越大。

问题估计很多设计研发推荐系统同学都遇到过，其实可以先放下这个问题，看一下更古老系统。搜索引擎搜索引擎能够搜索出准确文章或者内容很大程度上依赖了离线计算，通过离线计算计算出数据供用户使用。

推荐系统也是同理，越来越多数据召回逻辑，越来越多的模型计算，模型计算除了单模型还扩展为两个或多个模型融合，模型融合还不够，还要单个模型、模型融合多个模型按权重来计算特征值，如此复杂计算在用什么方式多线程、分布式都是很难去达到实时计算性能。

对于现在遇到困难怎么去面对怎么去解决？一味追求在线是很难去解决问题，那就换一种思路换一种思维用新的方式去解决新的问题。

我们同学方案引入准实时计算，通过融合在线与准实时计算来达到最优推荐效果，实现推荐与系统性能折中，很好应对计算量问题。

不引入新的方法，很难去解决面临问题，因为数据量、用户量不可控，只能说往大去想，设计更通用化，不能限定数据量，限定系统适用范围。

引入准实时是个方向，实际会有许多问题或者说难题，比如实时计算与准实时融合，准实时计算什么时候计算，准实时计算怎么触发，准实时和实时AB测试怎么做，AB会更加复杂，问题定位会更困难。

上面问题是想到问题，没想到会更多，但依然要往下去做，因为方向就我们理解是正确的。

准实时计算这种思路变换，带来解决问题新的可能性，是一种可借鉴思路，不一定对，但是对于解决问题有了新的可能。

准实时计算用户怎么样触发也是难题，就App来说，选择哪些点作为触发，用户登陆、用户搜索、用户点商品、用户浏览、用户加购物车等等很多场景，这些场景需要我们甄别来作为准实时计算因素触发计算，生成相应计算结果。

准实时计算引入，能让我们能思考以及实现更复杂策略，更复杂模型来为用户进行内容以及商品推荐，能通过更大召回集计算用户可能偏好、喜好、主题等各种纬度召回问题。

做减法，现代人更多是做加法，其实真正智慧是做减法来达到一种完美，一种优秀，而不是一味增加东西。

至繁归于至简！