## 3 平台式的3.0 上节中描述2.0的时候提到了一个重要不足是“和推荐核心有一定的距离，并没有完全为推荐量身定做”，我们希望能够在推荐3.0中解决它，这个不足会带来什么问题，以及为何在已经满足业务需求的同时推荐的架构再次往前发展呢？那么接下来为各位展现微博推荐平台式的3.0设计，我们还是先看看所处的环境。 ### 3.1 环境 微博推荐3.0的时间段是2014年底至今，当前的内部环境因素是： 1)      推荐产品不在扩张，对效果更为看重，将工作重点从业务开发和迭代转化为以效果为目标的技术迭代。 2)      新项目或者迭代推荐业务的时候发现重复的事情很多，而架构没有解决，工作存在冗余。 而外部因素是： 1)      公司也从业务扩展转变为效率为先，提升用户体验以及内容质量上来。 2)      微博推荐在推荐技术环节距离领域内有一定距离，当下有条件进行追赶。 ### 3.2架构组成与特点 当前的环境也能体现出3.0的技术目标： 1)      技术目标 与2.0不同，全覆盖推荐流程已经不是3.0的目标，其目标是： * 抽象出推荐流程中对于候选／排序／训练／反馈的通用方法来 * 推荐是一个算法数据问题，应该以一个算法的角度构建推荐系统，因此需要更为贴近算法策略 2)      架构组成 如图7所示，是微博推荐3.0的架构，也是当前实行的架构体系，大家其实可以发现，这是基于2.0 发展起来的，既然还保留了大量2.0中使用的分层体系以及工具框架。在这里重点描述几个差异： * 两个标准：一个是针对应用层，作为整体框架输出，应用层设定all in one 接口标准，其标准包含了输入以及输出参数；另外一个是针对动态输入rin，由于离线计算我们可以确定结构，因此一个输入层工具r9-interface不需要设定规范，但是rin是需要进行标准设定，从属性／交互数据／日志等等层面进行划分。 * 计算层增加对于候选的标准生成方法：Artemis内容候选模块，item-cands用户候选模块、……，在项目开发中只需要选择这些候选生成方法即可。 * 增加了策略平台EROS，解决算法模型的问题。EROS主要的几个功能是：1）训练模型 2）特征选取 3）上线对比测试。 * 数据层中的r9-interface以及rin增加对于候选的生成方法，在线以及离线使用推荐通用策略生成结果。  图7 微博推荐3.0的架构示意图 3)      特点     主要描述其优势： * 继承了原有2.0的特点，保留了其优势 * 对于推荐理解更为深入，结合更为紧密 * 解决了推荐候选／排序／训练的算法最重要问题 ### 3.3 成果 微博推荐3.0的诞生，其成果如下： 1)      微博推荐的核心业务会逐步迁移到该体系下，以算法数据作为驱动，提升效果 2)      诞生了EROS的训练流程，提出了训练的标准方法 3)      针对推荐设定了标准的输入输出方法 4)      针对候选，产生了具有抽象意义的推荐方法集合