揭秘推荐引擎的运用与赋能

如今，网络营销已是热潮，其中提升用户参与度的神器是什么呢？

是个性化服务。《哈佛商业评论》曾有报告指出，就市场营销而言，用户体验的个性化可以让投资回报率提升五至八倍，并将销售额提高10％以上。

虽然个性化的内容可以建立更深的客户关系并更好地了解用户，但要实现有效的推荐背后需要超乎寻常的海量数据作为支撑。如今，借助先进的数据中心基础架构以及高性能内存和存储解决方案，人工智能（AI）引擎正在发挥作用。

当我们打开某宝，在首页推荐浏览一番，展现的商品似乎正是我们所感兴趣的，不难发现，这些推荐引擎已默默深入我们的日常生活，主导着人们的在线体验。在中国， 阿里的“千人千面”系统助力 天猫在 2020 年双 11 再创纪录，总成交额达 4，982 亿元。当然，搜索引擎的威力不仅仅体现在电子购物上，视频网站会推荐观众感兴趣的电影或节目，招聘网站会显示适合用户的职位，新闻和社交网站会推送用户相关的内容。

以上一切的背后，是数据中心在创建这种高度个性化的互联网，而先进的算法促成了系统推荐，从而成就了卓越的用户体验。当然，与许多其他的先进技术一样，推荐引擎也离不开内存和存储，而美光正是内存和存储解决方案的主要提供商。

何为推荐引擎？

简言之，推荐引擎是一种系统，该系统能够基于用户在某个内容上的评分或偏好设置来推荐信息。

这些引擎的出现是非常必要的。

人们每天产生2.5艾字节的数据，而全球 90％ 的数据是在过去两年中产生的。

微信 2019 年数据报告：微信平台每天有450亿次信息发送。

要筛选这些数据的难度可想而知 —— 不仅数量庞大，数据的种类和质量也是多种多样。 每个人都多少有过经验，感觉购物网站推荐的产品跟自己毫不相关或完全没有吸引力。

那么，不好的推荐会有什么后果？ 为什么会发生这样的情况？

一切都与数据有关。就推荐引擎而言，数据越多，结果就越准确。用户所收到的推荐通常是通过以下方式生成的：

通用推荐：这是最简单的筛选方式，推荐与用户过往搜索类似或最热门的内容。

内容推荐：该类筛选会检索用户的浏览历史、识别用户曾经选择过的内容的关键词，然后推荐类似的内容。

协同推荐：根据用户的浏览历史，将其划归至某个群体，然后向用户推荐该群体其他成员喜欢的内容。

综合推荐：结合多种方式进行推荐。

以视频平台为例，为了做出精确的推荐，推荐引擎需要电影的类型、概要、演员和导演等各方面的数据、用户的观影记录，以及与该用户具有相似观影习惯的一个庞大的用户群的所有数据，还要考虑评论、社交平台上的留言、甚至屏幕上显示何种语言等等因素。数据量如此巨大，因此需要大量的内存和存储来处理这些工作负载。

美光的内存和存储技术如何赋能推荐引擎？

1数据收集

推荐的精确程度与数据量的大小成正比。在海量数据中筛选出数以亿计的用户行为并收集在一起。这需要具有灵活扩展能力的存储产品，如四层单元（QLC）SSD。得益于 QLC NAND 内存技术的 SSD 能够在容量、速度和成本之间实现平衡，帮助云服务供应商很好地控制总拥有成本（TCO）。

2筛选和预处理

机器学习系统会保存数以百万计的用户历史记录和行为，且系统会不断更新。这些数据通常是以非结构化的形式被捕获。要使用这些数据，首先必须对它们进行筛选，提炼出关键信息，然后以有效的方式进行组织。在非结构化数据中寻找所需的数据点非常困难，而解决数据整理这个难题通常是由 CPU 来完成，由服务器 DRAM（如 DDR5）提供支持。服务器 DRAM 会临时保存正在预处理的数据，然后将其快速送入处理器。高速 NVMe SSD 会在数据得到处理并结构化后存储这些数据，之后将其用于 AI 训练。

3训练

在这个阶段，AI 将训练推荐引擎对内容进行识别。例如，系统在“认识”小狗之前可能要分析几十亿张图片。这需要训练系统成百上千次地传递各个数据片段。随着新的数据流入以及用户的交互行为，系统会定期对模型进行再训练。这个过程需要极其强大、灵活的数据中心来运行复杂的训练算法。高带宽的内存，如美光的超带宽解决方案，能够以超高速度不断地将数据传输给 GPU（图形处理器）或 CPU，后者通过逻辑连接创建 AI 算法。在训练过程中，随着数据量的增长和 AI 算法变得复杂，系统也需要更多的内存。此外，系统需要的不仅仅是更多的内存容量——为了实现更智能、更高速的 AI，它还需要新型的内存，例如，每次可以传输 2 比特数据或者可进行 3D 堆叠并放置到非常靠近处理器，甚至封装在同一芯片中。美光正是开创这类新型存储器创新技术的先锋。

4推荐

接下来是推理。假设一个被训练过的系统被问及电影里是否有小狗时，一旦识别到小狗，它就会做出推荐。可能会有不同的用户在一分钟内提出数百万次这样的需求，可能发生在数据中心，也可能发生在接近终端用户的地方，或就在他们的手机或笔记本电脑上。高性能内存可以确保系统更快地做出对用户有意义的推荐，同时为服务提供商带来商机。

5优化

用户与推荐之间的交互行为会被反馈到数据收集环节，被用以优化未来的推荐，使推荐引擎能够学习并变得更加精确。

内存和存储在推荐引擎处理程序的每个阶段都发挥着作用，它们能缩短检索和传输数据的时间、确保处理单元获得所需的数据，以及存储每天生成且不断增长的海量数据。如果没有像美光提供的这类先进的内存和存储产品，推荐引擎就无从谈起。

推荐引擎的未来

推荐引擎改变了在线服务的用户体验和商业模式。因此，各网站纷纷寻找新方法在其平台上部署推荐引擎。

例如，亚马逊机器学习科学家Ben Allison指出，用户的每个浏览历史并非同等重要。亚马逊深知用户的行为极为复杂，现在开始用神经网络来辨别用户行为的重要性（例如通过考虑上下文和发生的时间等因素），并它们打一个“注意力分”。 这些注意力分又成为一个更加复杂的推荐算法的关键组成部分。

此外，亚马逊发现“可预测的”的预测结果并不理想，因此增加了一些“随机性”功能，从而实现了让所有购物者都能有 “意外发现”。 所以，亚马逊现在给出的建议更多是来自人工智能的“决策”，并非只是原始的预测。

为了使算法更加精确，有些网站会让人工与推荐引擎进行协作。例如，美国视频网站 Hulu就有一个专门的内容专家团队密切地合作，为观众创造更多个性化的精选系列。

直播网站也开始预测用户今后可能会观看什么内容，并将数据移动到离用户物理距离更近的边缘服务器，以提升直播速度。

对于当前和未来的推荐功能而言，提升数据量和数据速度至关重要。推荐引擎的数据存储、AI 训练和推理都需要高性能和低功耗的内存和存储。

美光丰富的解决方案组合可以满足推荐引擎的各种需求——从密集训练所需的高带宽内存和加速器，到用于推理的标准内存，再到应对各种数据的高容量存储。当您在购物网站看到一件正合心意的商品，或在视频网站被看到一个非常感兴趣的节目，这背后很可能就有美光的内存和存储解决方案在发挥作用。
编辑：lyn