前言
在这个信息爆炸的互联网时代，能够及时准确获取信息是当今社会要解决的关键问题之一。随着之家用户体量和内容规模的不断增大，传统的靠"主动拉"获取信息的方式已不能满足用户个性化信息的需求，信息主动寻找用户的方式，更适合移动互联网。push系统能在用户不启动APP的场景下获取到相关信息，利用机器学习技术构建模型，为用户提供精准的个性化推荐，让用户第一时间知晓产品、内容、活动等的最新动态。
1、系统综述
push是一种有效召回用户的产品，它涉及到的业务场景有：运营场景化推送（活动、消息通知、热点）、算法精准推送（定时个性化推送），它的核心模块如下：
数据处理：用户数据、内容数据以及用户历史行为数据等。
流程预测：通过召回、排序、干预、过滤等，生成待推送渲染数据。
JOB：调度、触发推送任务的执行。
推送通道：查询、过滤有效设备，封装协议和消息体，识别不同APP，下发到终端。
终端：对消息进行积攒处理，请求厂商或第三方渠道，进行消息下发。
APP：通知栏或弹窗展示推送消息，并上报到达和点击数据。
图片
接下来将从数据、算法、架构三个方面介绍push精准推送系统的构成：
- 数据：数据是push系统的基石，包括用户数据、内容数据以及用户历史行为数据等。它以离线画像为主，辅以实时行为画像。
- 算法：算法需要适应高度复杂性并处理大量数据，传统的人工策略已无法进行分析干预，因此需要一套基于复杂信息的处理逻辑。随着push业务复杂度的提高，算法也从最初的树模型发展到以神经网络为基础的深度学习模型。
- 架构：架构保证push系统可以进行近实时化、全自动化的运行。架构包含了收集用户行为、提取用户画像特征、存储用户数据、生成推送结果等。用户对内容的时效性、个性化要求越高，系统架构就会越复杂。
2、系统迭代及优化
2.1 链式任务
push采用链式任务支撑整个系统，每批次预测任务都需要经过特征提取、召回、排序、打散、重排、生成推荐结果等步骤，随着新特征的接入以及召回和排序场景的不断迭代优化，任务失败的频率越来越高，主要存在如下问题：
● 特征数据难以复用：特征数据存储在临时表中，任务执行失败时需人工介入恢复，无历史数据可用。
● 流程执行链路过长：召回、排序、重排等关键流程每一步失败都将造成任务失败且重试成本高。
● 非明文类召回功能接入成本高：新的召回策略实验不能动态接入，需要开发介入。
2.2 异步服务
针对链式任务存在的问题，push任务采用分尾号、分时段并行执行，并通过以下方式提升任务执行效率：
● 数据分区：将特征数据及预测流程各环节生成的结果存入分区表，解决任务执行失败时无数据可用的问题。
● 流程拆分：将预测主流程拆分为召回、排序、重排、结果融合等子流程，每个子流程按尾号异步执行，互不影响，每个子任务只需取上一环节生成的最新结果即可继续运行，提升了系统的稳定性及容错性。
● 平台化配置：通过配置平台动态接入实验，简化新策略接入成本。
3.整体设计
3.1 业务架构
图片
push系统业务主要分为三大部分，离线层、近线层和推送层。
- 离线层：是计算量最大的一个部分，它不需要实时提供服务。主要功能模块有数据处理、数据存储、离线特征计算、离线预测等。它通过任务调度平台定时从全量数据中抽取我们需要的数据，进行相应的加工，生成对应的特征，经过spark模型进行离线预测，得到待推送结果。
- 近线层：特点是准实时，它可以获得实时数据，然后快速计算提供服务。通过监听kafka，获取用户行为日志，计算得出用户实时特征（用户搜索车系、浏览车系等），然后将实时特征与长中期特征进行融合，调用tensorflow模型实时预测得到待推送结果。
- 推送层：将离线预测结果和实时预测结果进行融合（优先取实时结果），按批次生成待推送数据。通过任务调度中心定时选取最新批次预测结果给用户进行推送。
3.2 技术架构
图片
push技术架构的设计思想就是对数据层层建模、层层筛选，帮助用户从海量数据中找出其真正感兴趣的那部分内容。它包含以下几个部分：
3.2.1用户特征
push用户特征包含两部分，原始特征和计算特征，其中原始特征来源于画像表、用户行为日志、内容数据等，将原始特征经过加工形成计算特征，计算特征用于资源召回。
图片
3.2.2物料特征
push物料主要分为以下几类：原创文章/视频、帖子、口碑、车家号、问答。每类内容又分别包含兴趣车系、标签、关注作者、点击数、浏览数、收藏数、互动率等特征。
图片
3.2.3预测流程
预测是push系统中最重要的环节，通过获取用户特征与物料特征，按照一定的逻辑处理信息后，产生推荐结果。它主要分为以下几步：
1. 召回：将十万量级的物料先缩小到千量级。涉及到的召回方法有：
热门召回：将一段时间内的热门内容召回。
标签召回：根据每个用户的行为，构建标签，并根据标签召回内容。
协同召回：基于用户与用户行为的相似性推荐，发现用户潜在的兴趣偏好。
2. 过滤：已经曝光和点击后的资源、与用户所在城市不同的资源不会再推送到用户面前。
3. 精排：将召回和过滤后的内容通过模型预测出分值，根据得到的分值进行排序。
4. 重排：将精排后的推荐结果进行一定的修改，例如控制某一车系的频次，根据召回策略的权重对排序分值进行修改，将效果好的策略召回的资源置顶。
图片
四、可视化平台
push系统以定时任务为主，通过每日多次的召回、排序、过滤等主流程的运行，将最新物料及时推送至用户端，相较于传统监测任务异常后进行的事后处理，我们更倾向于实时监控。
1、统一调度平台
用于支撑push系统主流程业务运行，提供了失败重跑、超时报警、日志查看等功能。
图片
2、报表平台
报表平台主要包括推送策略打开率、实验打开率、尾号打开率的统计，以及用于辅助决策的内容池素材统计，用于事前预警的召回结果统计，这些报表便于开发人员及时发现和改进系统问题。
图片
3、配置平台
通过配置平台进行ABTest、召回策略、排序模型、运营规则、过滤逻辑的动态切换，针对不同的推送时段可以进行个性化的配置。
图片
五、总结
push系统是汽车之家APP的基础功能，是触达用户的一个非常重要的手段，它每天给几千万用户提供及时有趣的内容服务，对于提高主软活跃度及用户粘性起到重要作用。未来它将继续致力于召回唤醒沉默用户、促进用户活跃、提高功能使用体验。
作者简介
■ C端及中台产研中心-智能推荐部
■ 汽车之家高级系统开发工程师。先后从事知识图谱、之家大脑、PUSH精准推送等业务。现主要负责PUSH系统相关工作。
■ C端及中台产研中心-智能推荐部
■ 汽车之家系统开发工程师。先后从事家家小秘、知识平台、PUSH精准推送等业务。现主要负责PUSH系统相关工作。
