陌陌推荐平台是一个大型的个性化推荐系统，其架构设计的核心目标是提高推荐的效率和准确性。在当前的技术背景下，存储与计算的融合成为了解决性能和工程效率问题的关键。
1. **陌陌推荐平台架构**
陌陌推荐平台由多个关键组件构成，形成了一个完整的推荐流程。这一流程包括但不限于数据收集、特征工程、模型训练、实时推荐等环节。其中，特征接入是将用户和物品的多种属性转化为可计算的特征，推荐策略则涉及如何基于这些特征生成个性化的推荐列表。
2. **技术挑战**
- **性能问题**：推荐过程中涉及大量的特征查询，一次推荐请求可能需要处理万级别的特征查询，这给系统的响应时间和资源消耗带来了巨大压力。
- **工程效率问题**：推荐系统需要频繁地更新特征和策略，传统的开发模式导致接入新特征和调整策略的时间成本过高。
3. **存储与计算融合**
- **分布式数据存储引擎**：为解决性能问题，平台采用了分布式存储解决方案，能够快速处理大规模的特征数据查询，同时提供高并发和低延迟的服务。
- **多通道并行计算框架**：通过并行计算，系统可以同时处理多个查询请求，显著提高了计算效率，减少了推荐请求的响应时间。
- **声明式编程语言RSL（Recommendation Script Language）**：RSL是一种专为推荐业务设计的语言，它简化了推荐逻辑的编写，使得开发人员可以更高效地定义和调整推荐策略。
4. **典型业务场景收益**
- **特征接入**：使用RSL后，新增数据字段能自动映射，大大缩短了开发时间，从过去的4小时减少到只需10分钟。
- **ANN召回**：通过WebIDE上的UDF（用户定义函数），实现了检索、过滤和粗排等功能，开发时间从4小时降低到10分钟，提升了工程效率。
- **万级队列召回**：采用Item profile本地分片存储，平均耗时仅为50毫秒，显著提升了推荐的速度。
5. **总结和展望**
- **总结**：陌陌的推荐引擎通过集成存储引擎、ORM（对象关系映射）和UDF，构建了一个通用且高性能的系统，有效解决了性能和工程效率问题。
- **展望**：未来，陌陌计划进一步标准化推荐领域的语言RSL，使其成为业界的标准，推动推荐系统的发展和创新。
这个融合存储与计算的推荐平台架构为其他类似业务提供了参考，展示了如何利用新技术优化推荐系统的性能和开发效率，以满足日益增长的个性化需求。随着技术的不断进步，我们可以期待更多类似的创新解决方案，以驱动推荐系统的智能化和自动化。
