推荐系统的终极优化目标应包括两个维度：一个维度是用户体验的优化，另一个维度是满足公司的商业利益。对一个健康的商业模式来说，这两个维度应该是和谐统一的。例如YouTube的用户体验和公司利益（时长越长广告曝光越多）在“观看时长”这一点上达成了一致。

下图是推荐系统的技术架构示意图。其中数据部分为融合了数据离线批处理、实时流处理的数据流框架；算法和模型部分则为集训练(training)、评估(evaluation)、部署(deployment)、线上推断(online inference)为一体的模型框架。

推荐系统的进化之路

幸运的是，我们开始做这项工作时，作为用户画像组，我们有着丰富的用户画像。

我们使用线上的实时特征包括拖寄物、上下文、流向等。

第二版，我们增加了redis的历史购买。

再后来，因为画像数据太多，我们分析了之后，对用户画像（交叉）进行了客群分析，使用新客群作为分类特征。

再后来，增加了再次购买率特征，使点击率增加了1%

再后来，为了解决长尾，我们将高频与长尾分开，max(高频)低于0.5时，进入长尾规则判断，类似冷启动阶段，使用基于矩阵分解的协同过滤。

再后来，加入组合推荐，apriori分析，概率模型

再后来，缺失走兜底规则过多，包装服务过多

再后来，准时保（流向/拖寄物符合）推荐过多，调整准时保位置，降低判断位置