💡
原文英文，约600词，阅读约需3分钟。
📝
内容提要
在2025年QCon旧金山会议上，LinkedIn工程经理Nishant Lakshmikanth介绍了推荐系统的重构过程，成功实现实时个性化和高效运营。通过四个阶段的架构迁移，LinkedIn从批处理转向动态执行，显著降低了计算和存储成本，同时提升了用户互动和连接率。
🎯
关键要点
- 在2025年QCon旧金山会议上，LinkedIn工程经理Nishant Lakshmikanth介绍了推荐系统的重构过程。
- LinkedIn的旧有架构面临低新鲜度、高延迟和高计算成本的三大限制。
- 推荐系统的目标是实现实时个性化，同时显著降低相关成本。
- 迁移过程分为四个阶段：离线评分、近线评分、在线评分和远程评分。
- 动态候选生成（CG）使用实时搜索索引查询和基于嵌入的检索（EBR）来解决冷启动问题。
- 在线评分服务利用丰富的上下文特征存储，支持现代模型如图神经网络（GNN）和基于变换器的模型。
- 大规模语言模型（LLMs）主要用于候选生成和后排名流程，以避免影响实时核心排名环节的延迟。
- 重构后的系统实现了超过90%的离线计算和存储成本降低，某些核心流程的整体计算成本降低了68%。
- 系统现在能够实现会话级新鲜度，实时响应用户的点击、搜索和个人资料查看，显著提高了用户互动和连接率。
- 模块化设计简化了维护，支持快速模型实验和快速部署前沿模型。
- 这些架构原则正在应用于LinkedIn的其他关键领域，包括招聘和视频内容。
➡️
