用户下载新的APP 或者到一个新的网站，他往往会根据自己的兴趣，看看里面的内容，不会看一眼推荐不喜欢马上就流失，我们的经验值是大部分用户愿意花2~30 分钟来尝试新的一个应用或者网站。所以对于推荐系统而言，如果可以快速捕捉用户兴趣，推荐出新用户感兴趣的物品，也能很大程度上提升用户的推荐效果。
传统的推荐方法，离线模型定期挖掘（“小时”级甚至是“日”级）显然不能满足快速给新用户建模的需求。个性化推荐引擎使用了Offline-Nearline-Online 的三层体系，如图1。
这里推荐系统三层体系借鉴了信息检索领域思想，采取Online-Nearline-Offline 的结构。主要思想是将最珍贵的资源留给高价值的user 和item。
1）Online 系统
直接面向用户，是一个高性能和高可用性的推荐服务，其中的Online Ensemble 模块会融合Nearline 计算的推荐结果以及基于用户基础属性进行计算得到的推荐结果。Online 系统往往请求压力比较大，需要在较短的时间内返回结果，所以这里往往使用最简单的优先级融合算法。
2）Nearline 系统(www.xing528.com)
这个系统部署在服务端，一方面会接收User Behavior Log，根据用户最新的动作行为，生成推荐结果。所以当用户有行为之后，行为既包括正反馈，如用户阅读或者分享了某篇文章；也包括负反馈，如给用户展现了某篇文章，用户没有点击。Nearline 可以准实时获取，并且更新用户模型。这个目前可以做到一个秒级的更新，所以用户下次再访问推荐结果的时候，就可以推荐给“新”用户可能感兴趣的结果。
3）Offline 系统
挖掘长期的、海量的用户行为日志。对于新用户而言，缺少用户行为日志，所以该模块主要生成基于用户属性的偏好结果，比如Android 手机的用户，早上10点最可能喜欢什么类型的物品。
图1 Offline-Nearline-Online 三层体系
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
