## 3 平臺式的3.0
上節中描述2.0的時候提到了一個重要不足是“和推薦核心有一定的距離，并沒有完全為推薦量身定做”，我們希望能夠在推薦3.0中解決它，這個不足會帶來什么問題，以及為何在已經滿足業務需求的同時推薦的架構再次往前發展呢？那么接下來為各位展現微博推薦平臺式的3.0設計，我們還是先看看所處的環境。
### 3.1 環境
微博推薦3.0的時間段是2014年底至今，當前的內部環境因素是：
1)????? 推薦產品不在擴張，對效果更為看重，將工作重點從業務開發和迭代轉化為以效果為目標的技術迭代。
2)????? 新項目或者迭代推薦業務的時候發現重復的事情很多，而架構沒有解決，工作存在冗余。
而外部因素是：
1)????? 公司也從業務擴展轉變為效率為先，提升用戶體驗以及內容質量上來。
2)????? 微博推薦在推薦技術環節距離領域內有一定距離，當下有條件進行追趕。
### 3.2架構組成與特點
當前的環境也能體現出3.0的技術目標：
1)??????技術目標
與2.0不同，全覆蓋推薦流程已經不是3.0的目標，其目標是：
* 抽象出推薦流程中對于候選／排序／訓練／反饋的通用方法來
* 推薦是一個算法數據問題，應該以一個算法的角度構建推薦系統，因此需要更為貼近算法策略
2)??????架構組成
如圖7所示，是微博推薦3.0的架構，也是當前實行的架構體系，大家其實可以發現，這是基于2.0 發展起來的，既然還保留了大量2.0中使用的分層體系以及工具框架。在這里重點描述幾個差異：
* 兩個標準：一個是針對應用層，作為整體框架輸出，應用層設定all in one 接口標準，其標準包含了輸入以及輸出參數；另外一個是針對動態輸入rin，由于離線計算我們可以確定結構，因此一個輸入層工具r9-interface不需要設定規范，但是rin是需要進行標準設定，從屬性／交互數據／日志等等層面進行劃分。
* 計算層增加對于候選的標準生成方法：Artemis內容候選模塊，item-cands用戶候選模塊、……，在項目開發中只需要選擇這些候選生成方法即可。
* 增加了策略平臺EROS，解決算法模型的問題。EROS主要的幾個功能是：1）訓練模型 2）特征選取 3）上線對比測試。
* 數據層中的r9-interface以及rin增加對于候選的生成方法，在線以及離線使用推薦通用策略生成結果。
圖7?微博推薦3.0的架構示意圖
3)??????特點
????主要描述其優勢：
* 繼承了原有2.0的特點，保留了其優勢
* 對于推薦理解更為深入，結合更為緊密
* 解決了推薦候選／排序／訓練的算法最重要問題
### 3.3 成果
微博推薦3.0的誕生，其成果如下：
1)????? 微博推薦的核心業務會逐步遷移到該體系下，以算法數據作為驅動，提升效果
2)????? 誕生了EROS的訓練流程，提出了訓練的標準方法
3)????? 針對推薦設定了標準的輸入輸出方法
4)??????針對候選，產生了具有抽象意義的推薦方法集合
