架構圖

冷啟動鏈路的整體框架如下圖所示：

冷啟動鏈路流程

1. App請求推薦服務，獲取推薦內容列表

2. 推薦服務調用冷啟動召回模塊，獲取匹配上的候選物品

3. 推薦服務調用冷啟動算法打分EAS服務，傳遞參數：待打分候選物品列表， 用戶/物品特征，返回數量等參數

4. 冷啟動算法打分EAS服務根據特征生成配置文件生成context特征向量；這一過程可能需要從特征存儲系統里獲取物品特征

5. 冷啟動算法打分EAS服務從模型參數存儲系統（如，Hologres數據庫）同步并緩存模型參數

6. 冷啟動算法打分EAS服務調用模型，為每個候選物品計算預測分數，這一過程中需要實現E&E策略，即做好探索與利用的平衡

7. 冷啟動算法打分EAS服務根據上一步計算的分數，截取Top N個候選物品

8. 冷啟動算法打分EAS服務把Top N候選物品的特征向量實時寫入特征存儲系統（后端日志存儲），為后續的模型訓練提供物料

9. 冷啟動算法打分EAS服務把Top N候選物品返回給推薦服務

10. 推薦服務把獲取到的N個冷啟動物品與常規推薦結果列表混合后，返回給APP展現

11. APP實時把展現、點擊等行為日志上傳到日志服務器

12. Flink任務從消息中間件（kafka、datahub等）讀取日志服務器上收集到的實時行為日志

13. Flink任務解析日志，并根據配置篩選目標場景的行為日志，用于構建樣本和模型訓練

14. Flink任務等待一小段時間后，根據行為類型構建樣本標簽，并從特征存儲系統中獲取樣本的特征向量

15. Flink任務做模型訓練的Online Learning，并實時同步模型參數至模型參數存儲系統，以便冷啟動算法打分EAS服務獲取

數據流動視圖