前言

在全面進入無線的時代，為了解決信息負載的問題，越來越多的推薦場景得到興起，尤其是以列表推薦形式為主的信息流推薦。以手淘信息流為例，進入猜你喜歡場景的用戶，興趣常常是不明確的，用戶瀏覽時往往沒有明確的商品需求，而是在逛的過程中逐漸去發現想買的商品。而推薦系統在用戶逛的過程中，會向客戶端下發并呈現不同類型的商品讓用戶從中挑選，推薦系統這個過程中會去捕捉用戶的興趣變化，從而推薦出更符合用戶興趣的商品。然而推薦系統能不能做到用戶興趣變化時立刻給出響應呢？

01

推薦系統中的痛點

推薦系統以往的做法都是通過客戶端請求 ( 分頁請求 ) 后觸發云端服務器的商品排序，然后將排序好的商品下發給用戶，端側再依此做商品呈現。這樣存在下面兩個問題：

• 推薦系統決策的延遲：由于云端服務器的QPS壓力限制，信息流推薦會采用分頁請求的方式，這樣就會導致云端推薦系統對終端用戶推薦內容調整機會少，無法及時響應用戶的興趣變化。如下圖所示，用戶在第4個商品的交互表明不喜歡“摩托車”，但是由于分頁請求只能在50個商品后，那么當頁后面其他“摩托車”商品無法被及時調整。

• 對用戶行為的實時感知的延遲：目前推薦系統的個性化都是通過把用戶與商品交互的行為作為特征來表達的，但是用戶的行為其實是發生在客戶端上的，推薦系統模型想要拿到用戶的行為特征需要把端上數據下發到服務端，此時就會造成延遲的問題，如下圖所示用戶行為的延遲可能會達到1min。于此同時，由于網絡帶寬延遲的問題，其他大量的用戶細節行為（如商品的實時曝光、用戶的滑動手勢等）是無法進行建模的。

總結

以上是生活随笔為你收集整理的深度学习核心技术精讲100篇（三十六）-EdgeRec：边缘计算在淘宝推荐系统中的大规模应用的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。