导读：在数字化革命和AI赋能的大背景下，推荐场景逻辑越来越复杂，推荐细分场景越来越丰富，对业务迭代和效果优化的效率有了更高的要求。推荐系统业务和技术在传统架构支撑下自然堆砌，变得越来越臃肿，开发维护困难，推荐系统在应用架构上正面临新的挑战。本文就第四范式在智能推荐系统架构方面的探索实践，聊一聊在应用架构治理方面提升推荐服务开发维护效率，增强系统灵活性和扩展性的新探索。重点探讨在开发推荐系统乃至智能系统领域时遇到的问题，解决方法及未来的发展趋势。
主要内容包括：
-
推荐系统业务现状、趋势及挑战
-
"治理"的指导思想
-
Flowengine架构
-
应用Flowengine后推荐的架构
-
实例演示
01
推荐系统业务现状，趋势及挑战
1. 推荐系统业务现状
从图中我们可以看出，推荐系统大体可以分为三个阶段，最初的探索阶段，早在2010年左右，已经有了千人千面的说法，现在我们在学习推荐系统时，看一些文档或者资料，大都会拿亚马逊基于协同过滤的推荐、豆瓣基于标签的推荐系统做介绍，它们都是早期推荐系统应用在工业界的代表。到了第二阶段 ( 普及深入阶段 )，淘宝、京东以及一些垂直行业开始大范围尝试个性化推荐，此时，工程架构，算法策略层面都有