數(shù)據(jù)處理技術(shù)在互聯(lián)網(wǎng)推薦場景中的應(yīng)用

董雪鵬

（南京電子器件研究所，江蘇 南京210016）

在互聯(lián)網(wǎng)社會，每個人的線上生活都在不斷產(chǎn)生相應(yīng)的數(shù)據(jù)，這些數(shù)據(jù)就是互聯(lián)網(wǎng)社會最寶貴的資源。當前互聯(lián)網(wǎng)公司的許多商業(yè)模式都是基于這些數(shù)據(jù)實現(xiàn)的。通過對互聯(lián)網(wǎng)用戶行為數(shù)據(jù)的處理，可以分析用戶的使用習慣，不同類別用戶的興趣特征，從而為不同用戶推送不同的內(nèi)容，提升用戶使用體驗，提升應(yīng)用日活用戶數(shù)量，進而提升應(yīng)用商業(yè)化指標。數(shù)據(jù)處理技術(shù)在內(nèi)容推薦場景的應(yīng)用隨著業(yè)務(wù)場景的需求，處理技術(shù)的發(fā)展以及沉淀數(shù)據(jù)質(zhì)量的提升可以分為三個方面：離線批處理，分布式流計算和深度數(shù)據(jù)挖掘。

圖1 MapReduce 結(jié)構(gòu)圖

圖2 流式計算過程示意圖

1 離線批處理技術(shù)

互聯(lián)網(wǎng)上每天都在產(chǎn)生很多的數(shù)據(jù)，為了將最新的數(shù)據(jù)及時準確地送到每個用戶的眼前，需要每天對這些數(shù)據(jù)進行分析計算。比如某個線上商店新上架了一批新的熱門商品，那么電商平臺需要及時將這批商品推薦到潛在客戶的應(yīng)用程序上。這里就需要進行推薦算法的計算，而且需要定期根據(jù)最新的數(shù)據(jù)進行推薦結(jié)果更新。這里存著一個核心計算問題，計算成本。

在數(shù)據(jù)量達到一定規(guī)模后，所有的計算成本都會呈指數(shù)級增長，包括內(nèi)存、CPU 和時間。為了在有限的時間內(nèi)盡可能快地完成計算任務(wù)（保證上架商品盡可能快地呈現(xiàn)到用戶面前），需要將更多的算力聯(lián)合成集群使用。同樣是由谷歌公司發(fā)表的論文“MapReduce”提供了一種解決分布式計算問題的思路，對應(yīng)的開源解決方案是Hadoop 中的MapReduce 模塊（見圖1）。

MapReduce 幫助數(shù)據(jù)分析人員將存儲在分布式存儲上的海量數(shù)據(jù)分散到不同的服務(wù)器上進行并行計算，最終再將分散的計算結(jié)果進行合并得到最新的數(shù)據(jù)分析結(jié)果[1]。因為這種計算往往是面向一定規(guī)模的存量數(shù)據(jù)的，即先將數(shù)據(jù)存儲到硬盤上，當數(shù)據(jù)累積到一定的規(guī)模后再進行批量分析，因此也稱為離線批處理計算。

但是有些場景下這種計算模式是不能夠滿足我們的業(yè)務(wù)需求的。比如在導航地圖中，用戶痛點是希望知道當前道路的實時路況，如果間隔一段時間才能得到分析結(jié)果，這種體驗將會是非常糟糕的。此時數(shù)據(jù)分析的主要矛盾是計算的實效性問題，需要有一種快速的數(shù)據(jù)分析技術(shù)來支撐這種業(yè)務(wù)場景[2]。

2 分布式流計算

為了能夠提高數(shù)據(jù)分析的效率，降低數(shù)據(jù)分析時延，發(fā)展出了流計算模式[3]。流計算相比較批處理技術(shù)的核心優(yōu)化點有兩個：

（1）純內(nèi)存操作，節(jié)約了數(shù)據(jù)存入磁盤再進行讀取的成本。

（2）將計算分為很多小的鏈式操作，充分利用計算的流水線效應(yīng)提高了計算吞吐能力。

流式計算開源的解決方案有很多，當前業(yè)界最流行的解決方案是Apache 基金會開源的Flink 實現(xiàn)（如圖2）。

流計算過程中，數(shù)據(jù)像流水線一樣闖過由Operator 組成的處理鏈條，整個數(shù)據(jù)集的平均吞吐延時約等于Operator 中耗時最長節(jié)點的延時[4]。

3 深度數(shù)據(jù)挖掘

隨著批處理和流處理場景的落地，這些大數(shù)據(jù)處理技術(shù)滿足了各種用戶最基本的需求，但是互聯(lián)網(wǎng)沉淀的數(shù)據(jù)資源的價值還遠遠沒有被挖掘出來。為了滿足不同用戶個性化的需求，實現(xiàn)千人千面的業(yè)務(wù)價值，需要引入一些更高階的計算模式，這就是深度學習技術(shù)[5]。

深度學習技術(shù)的應(yīng)用是工程、算法和商業(yè)模式在一個合適的時間點發(fā)生碰撞的結(jié)果，通過前面的工程積累，生產(chǎn)上基本解決了大規(guī)模復雜計算的問題。此外，2010 年之后深度學習算法的飛速發(fā)展也為商業(yè)應(yīng)用提供了強有力的理論支撐，還有多年來各個應(yīng)用場景沉淀下來的海量的優(yōu)質(zhì)標定數(shù)據(jù)，也為技術(shù)的商業(yè)化應(yīng)用提供了保障。在這樣一個特定的時間點，數(shù)據(jù)，算法和工程碰撞在一起成就了數(shù)據(jù)挖掘的成功應(yīng)用。

4 結(jié)論

大數(shù)據(jù)技術(shù)在互聯(lián)網(wǎng)領(lǐng)域的成功應(yīng)用有著清晰的發(fā)展脈絡(luò)。本質(zhì)上由于互聯(lián)網(wǎng)的普及造成了海量數(shù)據(jù)噴發(fā)，而實際生產(chǎn)的需要推動了工程和算法各個方面協(xié)同發(fā)展，最終達到完美的融合，實現(xiàn)了商業(yè)上的成功。這一發(fā)展過程，在其他行業(yè)引入大數(shù)據(jù)技術(shù)進行生產(chǎn)時，值得充分借鑒。