关键词： 
智能推荐、特征工程、特征处理。

术语解释：

• 机器学习（Machine Learning）：是关于在计算机上从数据中产生“模型”(model)的算法；
• 数据集（Data Set）：一组记录的集合；
• 模型（Model）：泛指从数据中学得的结果；
• 特征（Feature）：是从原始数据中抽取出来的对结果预测有用的信息，可以是文本或者数据；
• 特征工程（Feature Engineering）：是使用专业背景知识和技巧处理数据，使得特征能在机器学习算法上发挥更好的作用的过程。过程包含了特征提取、特征构建、特征选择等模块；
• 端计算/边缘计算：与传统的中心化思维不同，它的计算节点更靠近终端，使服务响应高于传统中心化的云计算。

---

1. 背景

近些年，随着云计算和大数据的快速发展，以机器学习为基础的智能推荐也得到了迅猛发展。利用云计算，不但可以每日更新模型，双11更是小时级更新模型，以实现更准确的推荐。为了更好的优化推荐系统，丰富实时特征，通常会采集大量的行为数据上报到云端。随着闲鱼DAU（日活跃用户数量）的不断增长，这种云端中心化计算模式的问题也暴露了出来。

中心化模式不但要消耗大量的服务器资源，还要面对海量数据处理所带来的延迟问题（分钟级延迟，不可原谅）。

2. 推荐系统的实时性

为什么说，延迟问题对推荐系统是致命的，不可原谅的？ 
推荐系统的实时性越高，更新速度越快，推荐越准。现在的用户越来越没有耐心，如果不快速抓住用户的心，用户很容易流失。

推荐系统的实时性是指： 
（1）“模型”的实时性； 
（2）“特征”的实时性

2.1 “模型”的实时性

“模型”的实时性：不断更新模型，可以让模型找到最新的流行趋势，以及最新的相关性信息。

比如，大家都去关注某个明星，模型会通过大多数人的行为数据，发现该明星成为了流行趋势，以及大家所关注的内容。

暂时不对模型的实时性进行详细分析，现在的模型训练还强依赖云计算。 
当然，很多人也在尝试，端计算和云计算的联合训练。相信不久的将来，应该会有成果落地。

2.2 “特征”的实时性

“特征”的实时性：以用户最近的行为数据作为输入特征，模型就会发现用户最近的行为习惯，并进行相关的预测和推荐。

比如，你浏览了一部手机，系统就会给你推送不同品牌、不同价位的手机；如果你连续浏览华为手机，系统就会给你推送不同价位的华为手机。你连续行为数据越丰富，推荐越准确。

PS：我们说的，中心化计算模式数据处理所带来的延迟问题，就是影响了特征的实时性。

3. 推荐系统的实时特征

为什么，特征更新只是存在分钟级延迟就不可原谅了？而模型只需要每日更新？ 
模型的实时性代表流行趋势，通常情况流行趋势不会实时变化，只需要满足活动的趋势变化就可以了。 
而特征的实时性代表个体用户的实时行为，如果无法对用户的实时行为做出响应，用户就可能流失。

特征的实时性很重要，其实并不是所有特征都有实时性要求，比如：性别、年龄等。对实时性有要求的特征，我们称之为实时特征。

闲鱼推荐实时特征包括： 
（1）浏览行为特征，如曝光、曝光时长、滚动速度等； 
（2）详情页行为特征，如进入详情页、询单、收藏、评论、点赞、点击大图等； 
（3）购买行为特征，下单后不再进行相关推荐。

浏览行为特征

在推荐场景，连用户都不知道自己想要什么的情况下。我们希望通过细化用户浏览行为特征，来判读他所关注的商品。

引入端计算后，我们可以采集更多维度的用户行为数据，使用户模型更准确。

PS：长时间以来，闲鱼推荐的浏览行为特征几乎是缺失的。算法一直在用伪曝光（下发即曝光）数据做推荐，因为云端根本没有足够多的服务器对曝光数据进行特征处理。曝光数据量实在是太大了，每个用户随意的一次滚动就会产生多条曝光数据。

4. 实时聚类特征 & 实时意图特征

为了解决云端处理延迟问题，我们对实时特征进行了抽象，沉淀了两种端上的实时特征处理方案： 
（1）实时聚类特征； 
（2）实时意图特征。

4.1 实时聚类特征

我们利用端计算，对行为数据进行实时聚类统计。 
我们现在是按60秒的时间插槽聚类统计（时间插槽太大效果不好，太小数据上报太频繁，QPS太高）； 
我们统计60秒内，某个类目（手机、女裙、美妆等）的曝光次数、曝光时长、点击PV等数据； 
如果是强特征事件（点击事件）会实时触发特征上报，如果是弱特征事件（曝光事件）会累计到10个再上报。

全量发布两周后数据统计：

4.2 实时意图特征

该方案，是利用端智能模型，对行为数据进行实时意图判读，并上报到云端。 
PS：该方案，我们还没有全量，还在尝试。

5. 总结

本文，利用端计算(边缘计算)将特征工程前置，实现了去中心化，解决了大量原始数据在云端堆积无法实时处理的问题，提高了推荐系统的特征实时性。 
端计算的引入，不但提高了推荐系统的实时性，同时完善了用户行为数据，让之前很多不可能的事情变成了可能，大大提升了推荐效率。 
实践证明，端云协同将成为未来的趋势。

6. 延展

现在，我们已经将特征数据实时上报到了云端，但是需要到下一次接口请求才会出现相关商品的推荐。这里存在响应的实时性问题。 
最近，我们正在尝试对未曝光商品进行数据重刷（还在线上AB测试，效果挺好的，应该马上就会全量了）。 
方案概述：由端模型判断是否进行数据重刷，然后客户端发起接口请求（请求新推荐的商品数据），再替换未曝光商品。 

原文链接
本文为云栖社区原创内容，未经允许不得转载。