ByteByteGo Newsletter
·
Airbnb如何以每秒100万事件推动个性化服务
💡
原文英文，约2500词，阅读约需9分钟。
📝
内容提要
Agentic AI正在改变企业运作，但构建安全、可审计的大规模AI代理面临挑战。Airbnb的用户信号平台（USP）通过实时处理用户行为，解决了用户旅程的非线性和信号碎片化问题，结合Lambda架构和在线查询层，实现低延迟和高可靠性，推动个性化服务。
🎯
关键要点
- Agentic AI正在改变企业运作，但构建安全、可审计的大规模AI代理面临挑战。
- Airbnb的用户信号平台（USP）通过实时处理用户行为，解决了用户旅程的非线性和信号碎片化问题。
- USP结合Lambda架构和在线查询层，实现低延迟和高可靠性，推动个性化服务。
- 用户旅程非线性，用户行为信号碎片化，延迟影响实时反应，团队需要洞察。
- USP能够近实时处理用户行为，存储可查询的实时和历史用户数据，支持同步和异步计算。
- USP架构分为数据管道层和在线服务层，使用Kafka和Flink等技术。
- 数据管道层处理原始Kafka事件，将其转化为结构化用户信号并写入版本化KV存储。
- 在线服务层提供API查询用户信号，确保快速响应。
- 用户信号的生命周期包括用户行为的事件发出、信号转化和存储。
- Airbnb选择Flink而非Spark以降低延迟，提升实时个性化体验。
- 采用追加数据模型简化了重处理和调试，确保数据在故障下的正确性。
- USP提供配置驱动的开发者工作流，简化信号逻辑的定义和使用。
- 用户信号类型包括简单用户信号和连接信号，便于实时处理和查询。
- 用户细分动态更新，基于实时用户行为而非离线数据。
- 会话参与功能关注用户当前活动，提供实时洞察。
- Flink的热备份策略提高了系统的操作弹性，确保快速恢复。
- USP在处理规模上表现出色，每秒处理超过100万事件，支持70K查询每秒。
- USP的成功在于设计选择，如采用追加数据模型、简化开发者抽象和关注操作弹性。
❓
延伸问答
Airbnb的用户信号平台（USP）如何解决用户旅程的非线性问题？
USP通过实时处理用户行为，能够近实时地响应用户的互动，解决了用户旅程中的非线性和信号碎片化问题。
Airbnb选择Flink而非Spark的原因是什么？
Airbnb选择Flink是因为其事件驱动的特性能够提供更低的延迟，适合实时个性化体验，而Spark的微批处理模型会导致不必要的延迟。
用户信号的生命周期是怎样的？
用户信号的生命周期包括用户行为事件的发出、信号转化为结构化数据，并存储在KV存储中，供后续查询使用。
USP如何支持实时个性化服务？
USP通过快速处理用户行为数据，存储可查询的实时和历史数据，并提供API接口，支持个性化服务的实现。
Airbnb的用户信号平台在处理规模上表现如何？
USP能够处理每秒超过100万事件，并支持每秒70K的查询，展现出强大的处理能力。
用户细分在USP中是如何动态更新的？
用户细分基于实时用户行为动态更新，而不是依赖离线数据，这样可以更及时地反映用户的当前意图。
🏷️
标签
➡️
