伴随移动互联网与微型计算终端的兴盛,信息化时代的来临大大增强了人们接受信息的数量。如今,信息过载发展为互联网中最严重的问题之一,大部分发布在互联网中的信息逃不过被淹没的命运,用户面对庞大的信息体量也难以定位到自己想要的信息。推荐系统的诞生部分解决了这个困境。本系统(个性化信息推荐系统)为二者提供了一个解决方案,通过健壮灵活的推荐系统架构设计,为开发运营人员提供可以快速配置推荐策略的推荐系统后台。同时该系统本质上是服务于信息消费者,为用户提供个性化的信息方案。经过对本系统的分析,本系统设计为用户画像、在线推荐引擎、离线计算、流量分配四个模块。(1)用户画像模块:从用户行为日志中提取用户画像,生成用户人口统计学画像和不同时间窗口下的用户兴趣画像。(2)在线推荐引擎模块:向读者推荐个性化信息列表,推荐流程设计为候选生成、选择召回、规则过滤、精确打分、融合排序四个步骤。选择召回使用了基于DSSM的预估模型,精确打分使用了基于LR的停留时长预估模型同时使用FTRL方法进行训练。(3)离线计算模块:离线计算在线推荐引擎中所使用到的模型,为在线推荐功能提供模型参数,设计以下四个功能:日志加工、特征生成、样本生成以及模型训练。(4)流量分配模块:管理整个系统的流量分配,该模块基于谷歌重叠实验框架,使用域、层、实验的多层嵌套流量分层结构,使用用户ID、设备cookie、访问日期、随机的4种取模分配和基于实验属性的条件分配进行流量的分配。本系统采用分布式架构保证系统的可用性、一致性、健壮性和可扩展性,使用大数据技术处理海量数据,保证系统的低延迟和高响应。经过功能测试和非功能测试表明该系统满足设计需求,系统响应时间小于1秒,信息推荐结果点击率在15%以上。