作为一家盈利状况非常好的公司，Facebook的营业利润率达到42%
营业利润率=营业收入/净销售额
营业收入=总收入 - （营业费用+折旧和摊销）
当它过渡到一个以隐私为中心的超级应用时，将会面临三个挑战。
架构是软件系统的形状。就好像是一个物理世界的建筑的全景：
它们共同服务于特定的目的，例如医院是为治愈病人而设，学校是为教育学生而设。
每个软件系统为利益相关者提供两种不同的价值：行为和结构。软件开发人员负责确保这两种价值都保持高水平。
==软件架构师由于其工作描述，更加关注系统的结构，而不是其特性和功能 。==
架构为软件系统的整个生命周期提供服务，使其易于理解、开发、测试、部署和操作。目标是最小化每个业务用例的人力资源成本。
O’Reilly的书《软件架构模式》由Mark Richards撰写，是对这五种基本架构的简单而有效的介绍。
分层架构是最常见的架构，开发人员广泛熟知，因此是应用程序的事实标准。如果您不知道使用什么架构，请使用它。
示例
优缺点
状态变化将向系统发出事件。所有组件通过事件相互通信。
一个简单的项目可以结合中介、事件队列和通道。然后我们得到一个简化的架构：
示例
软件的职责被划分为一个“核心”和多个“插件”。核心包含最基本的功能。插件彼此独立，并实现共享接口以实现不同的目标。
示例
一个庞大的系统被解耦为多个微服务，每个微服务都是一个单独部署的单元，它们通过RPCs相互通信。
示例
该模式得名于“元组空间”，意为“分布式共享内存”。没有数据库或同步数据库访问，因此没有数据库瓶颈。所有处理单元在内存中共享复制的应用数据。这些处理单元可以弹性启动和关闭。
示例：见维基百科
Facebook 是一家非常 盈利的公司。其运营利润率 = 42%
运营利润 = 运营收入 / 净销售额
运营收入 = 毛收入 − (运营费用 + 折旧和摊销)
在转型为隐私中心的超级应用程序时，面临三大挑战。
数百万用户喜爱这些独角兽的品牌和领导者。这些科技明星拥有一切——除了通往高利润的道路。
在过去的 25 年里，三件事情发生了变化。
由于独角兽的市场竞争激烈，尽管销售快速增长，利润率并没有持续改善。
以任何代价获取客户的快速扩张哲学正在达到顶峰。在独角兽之后，必须培育出一种新的、更具说服力的初创企业。
可惜！安德鲁·格罗夫说——成功滋生自满，自满滋生失败。只有那些偏执（拥抱变化）的人才能生存。
在 今日头条推荐系统：P1 概述 中，我们了解到内容分析和用户标签的数据挖掘是推荐系统的基石。
内容分析 = 从原始文章和用户行为中提取中间数据。
以文章为例。为了建模用户兴趣，我们需要对内容和文章进行标记。为了将用户与“互联网”标签的兴趣关联起来，我们需要知道用户是否阅读了带有“互联网”标签的文章。
我们这样做的原因是 …
以下是“文章特征”页面的示例。文章特征包括分类、关键词、主题、实体。
文章特征是什么？
语义标签：人类预定义这些标签，具有明确的含义。
隐含语义，包括主题和关键词。主题特征描述了单词的统计数据。某些规则生成关键词。
相似性。重复推荐曾是我们从客户那里获得的最严重反馈之一。
时间和地点。
质量。滥用、色情、广告或“心灵鸡汤”？
我们将语义标签的特征分为三个层次：
为什么要分成不同的层次？我们这样做是为了能够以不同的粒度捕捉文章。
分类和概念共享相同的技术基础设施。
我们为什么需要语义标签？
分类层级
分类器：
动机和激励是绩效管理的核心。没有激励，员工没有动机把事情做好，所有的反馈和培训都是白费力气。
冒犯行为会直接打击员工的动机和绩效，所以经理需要遏制冒犯行为，可以这样做：
外在的奖励——金钱 （升职加薪奖金）
内在的奖励——满足感（成就感、控制感、被感激感、智力上的提升、技能提高、自治、达成挑战）
认可他的工作。“认可的关键在于让人感受到他的与众不同”。每个人得到同样的东西，每个人就不会有与众不同感。
提供决策权
提供挑战
result = pairs.map((pair) => (morePairs)).reduce(somePairs => lessPairs)一样简单。若要用商业机器来满足以上的需求，有这些热门的分布式系统架构……
| 架构 | Storm | Storm-trident | Spark | Flink |
|---|---|---|---|---|
| 模型 | 原生 | 微批量 | 微批量 | 原生 |
| Guarentees | 至少一次 | 一次 | 一次 | 一次 |
| 容错性 | 记录Ack | 记录Ack | 检查点 | 检查点 |
| 最大容错 | 高 | 中 | 中 | 低 |
| 延迟 | 非常低 | 高 | 高 | 低 |
| 吞吐量 | 低 | 中 | 高 | 高 |
我们正在寻找以下最佳 function 以最大化 用户满意度 。
用户满意度 = function(内容, 用户资料, 上下文)
可测量的目标，例如：
难以测量的目标：
找到上述最佳 function 是一个典型的监督机器学习问题。为了实施该系统，我们有以下算法：
一个世界级的推荐系统应该具备 灵活性，以进行 A/B 测试并结合上述多种算法。现在结合逻辑回归和深度神经网络变得流行。几年前，Facebook 使用了逻辑回归和 GBDT。
内容特征与用户兴趣之间的相关性。 显式相关性包括关键词、类别、来源、类型。隐式相关性可以从 FM 等模型的用户向量或项目向量中提取。
环境特征，如地理位置、时间。 可以用作偏见或在其基础上建立相关性。
热门趋势。 有全球热门趋势、类别热门趋势、主题热门趋势和关键词热门趋势。热门趋势在我们对用户信息较少时非常有助于解决冷启动问题。
协同特征，帮助避免推荐内容越来越集中。 协同过滤不是单独分析每个用户的历史，而是根据用户的点击、兴趣、主题、关键词或隐式向量找到用户的相似性。通过找到相似用户，可以扩展推荐内容的多样性。
它们的实现步骤如下：
考虑到所有内容的超大规模，无法用模型预测所有事情。因此，我们需要召回策略来关注数据的代表性子集。性能在这里至关重要，超时时间为 50 毫秒。
在所有召回策略中，我们采用 InvertedIndex<Key, List<Article>> 。
Key 可以是主题、实体、来源等。
| 兴趣标签 | 相关性 | 文档列表 |
|---|---|---|
| 电子商务 | 0.3 | … |
| 娱乐 | 0.2 | … |
| 历史 | 0.2 | … |
| 军事 | 0.1 | … |
内容分析 = 从原始文章和用户行为中推导中间数据。
以文章为例。为了建模用户兴趣，我们需要对内容和文章进行标 记。为了将用户与“互联网”标签的兴趣关联起来，我们需要知道用户是否阅读了带有“互联网”标签的文章。
我们这样做的原因是 …
这是“文章特征”页面的示例。文章特征包括分类、关键词、主题、实体。
文章特征是什么？
语义标签：人类预定义这些标签并赋予明确的含义。
隐式语义，包括主题和关键词。主题特征描述了单词的统计信息。某些规则生成关键词。
相似性。重复推荐曾是我们客户反馈中最严重的问题。
时间和地点。
质量。滥用、色情、广告或“心灵鸡汤”？
我们将语义标签的特征分为三个层次：
为什么要分为不同层次？我们这样做是为了能够以不同的粒度捕捉文章。
分类和概念共享相同的技术基础设施。
我们为什么需要语义标签？
分类层次结构
分类器：
我们正在寻找以下最佳 函数 以最大化 用户满意度 。
用户满意度 = 函数(内容, 用户画像, 上下文)
可测量的目标，例如：
难以测量的目标：
寻找上述最佳 函数 是一个典型的监督机器学习问题。为了实现系统，我们有以下算法：
一个世界级的推荐系统应该具备 灵活性，能够进行 A/B 测试并结合上述多种算法。现在结合逻辑回归和深度神经网络的做法越来越流行。Facebook 多年前就同时使用了逻辑回归和 GBDT。
内容特征与用户兴趣之间的相关性。 显性相关性包括关键词、类别、来源、类型。隐性相关性可以从用户向量或模型如因子分解机中的物品向量中提取。
环境特征，如地理位置、时间。 可以作为偏差或在其基础上建立相关性。
热门趋势。 有全球热门趋势、类别热门趋势、主题热门趋势和关键词热门趋势。热门趋势在我们对用户信息较少时非常有助于解决冷启动问题。
协同特征，有助于避免推荐内容越来越集中。 协同过滤不是单独分析每个用户的历史，而是根据用户的点击、兴趣、主题、关键词或隐性向量找到用户之间的相似性。通过找到相似用户，可以扩展推荐内容的多样性。
它们的实现步骤如下：
考虑到所有内容的超大规模，无法用模型预测所有事情。因此，我们需要召回策略来关注数据的代表性子集。性能在这里至关重要，超时为 50 毫秒。
在所有召回策略中，我们采用 反向索引<Key, List<Article>>。
Key 可以是主题、实体、来源等。
| 兴趣标签 | 相关性 | 文档列表 |
|---|---|---|
| 电子商务 | 0.3 | … |
| 娱乐 | 0.2 | … |
| 历史 | 0.2 | … |
| 军事 | 0.1 | … |
技术驱动的架构师和企业家，拥有构建高度可扩展的企业级 SaaS 应用程序的深厚专业知识。全栈专家，专注于设计灵活、可扩展的解决方案，以满足复杂和不断变化的需求。
![[object Object]](https://tp-misc.b-cdn.net/tianpan-avatar.jpg){kind=avatar}