在PAI-REC中所有的服務和實驗都需要關聯一個推薦的場景，例如“首頁瀑布流推薦”，“購物車猜你喜歡”，“詳情頁相關推薦”等等。下面我們介紹創建的細節。

推薦場景

我們先創建一個推薦場景（建議場景的名稱可以說明推薦場景的頁面位置），下面“首頁瀑布流推薦”中的“首頁”說明了場景的位置，“瀑布流”說明場景是可以不斷下滑瀏覽的。

流量編碼是為不走PAI-REC系統的推薦請求預留的。這種情況非常常見：當用戶自己已有推薦系統的時候，在剛開始會把這個場景從切10%到20%的推薦流量給PAI-REC系統。當PAI-REC的推薦效果達到預期之后再逐漸增加流量。HomePageRec的默認流量是走PAI-REC的，而selfhold表示用戶自持的流量，thirdparty是第三方流量。

如下圖中有6個用戶，根據系統的分桶邏輯（由客戶實現），兩個用戶通過selfhold（客戶自持流量）得到推薦結果；兩個用戶通過PAI-REC得到推薦結果；兩個用戶通過thirdparty（第三方）得到推薦結果；

實驗室和實驗層

當用戶的推薦請求路由到PAI-Rec的內部之后，我們對這些推薦請求做了進一步的流量分桶。我們根據業界常用a/b test方案設計了實驗室、實驗層、實驗組、實驗，實驗室包含了實驗層，實驗層包含實驗組，實驗組中包含了實驗。

?

首先，實驗室是一組流量的集合，既可以只創建一個實驗室，也可以創建多個實驗室。當只有一個實驗室的時候，這個實驗室必須是Base實驗室（作為兜底的實驗室），并且Base實驗室是必須的。流量會優先匹配非 Base 實驗室，當推薦請求沒有匹配到非base實驗室時會進入 Base實驗室。因此，我們可以只創建一個兜底的實驗室。

我們可以創建一個召回和排序邏輯都相對簡單的實驗室作為兜底實驗室，而通常用的復雜的召回和排序邏輯放在非Base實驗室。這樣，當流量突然太大時，我們可以把部分流量切換到base實驗室，以防止整個推薦系統被拖垮。

?

上面是Base實驗室的案例，對上圖表格中的名稱解釋如下：

• 實驗室名稱：自定義實驗室名稱

• 介紹：實驗室的詳細描述

• 實驗室類型：

  • base 實驗室：必須有一個base實驗室，可以沒有非base實驗室。

  • 非 base 實驗室：優先匹配非 base 實驗室。當base實驗室的模型比較簡單，而非base實驗室的模型比較復雜的時候，可以設置兩個實驗室。base實驗室也可以完全用一個熱門隨機兜底邏輯來實現。

• 運行環境：對應引擎的運行環境，日常（daily）, 預發（prepub），生產（product）

• 實驗室桶類型：

  • UID分桶：根據 uid 的末尾數字分桶

  • UID HASH：根據 uid 的 hash 值分桶

  • 過濾條件分桶：kv 表達式分桶，如 gender=man

• 分桶數量：此實驗室分得的桶數，總數為100

• 流量分配：分得的桶的編號，可以設置為0-99

• 分層：實驗層一般設置recall（召回）、filter（過濾）、coarse_rank（粗排）、rank（排序）等

• 調試用戶：調試用戶可以不經過匹配，直接進入此實驗室

  • 手動輸入：可以輸入多個，以逗號分隔

  • 人群 ID：一組 uid 的集合，需要提前在【人群管理】中創建

實驗組和實驗室

在每一層可以設置多個實驗組，每一個組里面可以設置多個實驗。為什么要設置多個實驗組呢？當有多個算法工程師做召回或者排序實驗的時候，我們可以通過劃分實驗組，可以讓他們相互自己不干涉。

每個實驗組中，一般都會有多個實驗。例如下面我們配置了swing、etrec兩個實驗，而dssm還在測試中，因此流量占比設置為“0%”,但是出于上線狀態。DSSM處于上線狀態是方面我們通過白名單來觀察推薦效果。