一、核心功能与架构 Pushservice 的功能模块如下： mermaid graph TB A[推送服务] --> B[用户特征构建] A --> C[候选生成] A --> D[模型预测] A --> E[频率控制] A --> F[多渠道分发]

B --> B1[基础属性]
B --> B2[行为特征]
B --> B3[社交图谱]
B --> B4[设备信息]

C --> C1[实时候选]
C --> C2[历史候选]
C --> C3[跨渠道候选]

D --> D1[退订预测]
D --> D2[活跃度预测]
D --> D3[内容偏好]

E --> E1[日推送上限]
E --> E2[疲劳间隔]
E --> E3[时段限制]

F --> F1[应用推送]
F --> F2[邮件通知]
F --> F3[站内通知]

其架构采用分层设计： 前置过滤层剔除低质量内容。 轻量排序层初步筛选。 重量模型层进行深度优化。 二、关键技术特性 特征工程 系统异步加载多维度特征： scala Future.join(userStore.get(userId), deviceInfoStore.get(userId), historyStore.get(...)) 动态频控 根据用户状态调整推送上限： scala def getDefaultPushCap(target: Target): Future[Int] = { target.targetUserState.map { case UserState.Inactive => 1 case _ => configParamsBuilder.getDefaultPushCap } } 多模型决策 集成多个预测模型： scala Future.join(optoutModelScorer.score(...), heavyRanker.score(...), pushcapModel.predict(...)) 三、数据流转与计算流程 数据流转分为主动请求和系统触发两种模式： mermaid graph TD A[用户推送请求] --> B{处理器选择} B -->|主动请求| C[SendHandler] B -->|系统触发| D[RefreshForPushHandler]

C --> C1[构建目标用户]
C1 --> C2[候选项数据填充]
C2 --> C3[特征填充]
C3 --> C4[选择步骤/重过滤]
C4 --> E[发送推送]

D --> D1[构建目标/检查资格]
D1 --> D2[获取候选项]
D2 --> D3[数据填充Hydration]
D3 --> D4[预排序过滤]
D4 --> D5[排序阶段]
D5 --> D6[选择步骤/重过滤]
D6 --> E

E --> F{发送渠道}
F -->|推送通知| G[Ibis2Service]
F -->|应用内通知| H[NotificationService]

存储体系：HDFS 存模型，Manhattan KV 存特征，Scribe 记日志。 计算流程：特征拼接 → 轻量排序 → 深度排序 → 结果筛选。 四、性能与优化 异步并行：Future.join 加速数据加载。 分级降级：高负载时禁用重排序。 监控体系：实时追踪延迟和成功率。 批量处理示例： scala expandCandidatesWithCopy(candidateDetails).flatMap { candidateDetailsWithCopy => candidateWithCopyNumStat.add(candidateDetailsWithCopy.size) } 五、技术栈概览 mermaid graph LR A[存储] --> A1[HDFS] A --> A2[Manhattan KV] A --> A3[Memcache] B[计算] --> B1[TensorFlow] B --> B2[Finagle] B --> B3[XLA] C[服务] --> C1[Finatra] C --> C2[ZooKeeper] D[监控] --> D1[StatsReceiver] D --> D2[Zipkin] 六、总结 Pushservice 通过分层架构、多模型协同和动态频控，实现精准推送。其优势在于： 精准性：丰富的特征和实时反馈。 可扩展性：分布式设计支持亿级规模。 稳定性：多层次性能保障。