千人千面 + 无限瀑布流：推荐 Feed 的完整实现架构

目标读者：三类人——

• 后端工程师：要实现一个推荐 Feed，想知道每个组件的职责边界（看"召回/粗排/精排/重排"四章和"离线 vs 在线分工总表"）；
• 架构师：在做 Feed 系统选型，需要 push/pull、offset/cursor 这些关键决策的对比依据（看各节的对比表）；
• 前端/客户端工程师：关心无限滚动的分页协议和预取时机（看"游标分页"和"预取"两节）。

阅读前提：不需要推荐算法背景，算法部分只讲工程接口，不讲模型内部。

上一篇讲 Netflix 的 Flink 扩缩容时提过一个三层结构：离线训练、近线特征、在线排序。有读者问：**首页千人千面，是每个用户打开时都跑一遍计算吗？**答案是否定的，而完整的答案就是这篇文章的主题——把微博、X 那种"每个人看到的都不一样、而且永远拉不到头"的推荐瀑布流，从客户端一路拆到数据闭环。

先把两个需求拆开，因为它们的难点完全不同：

• 千人千面：难在"算"——几亿用户每人一套候选，怎么做到几十毫秒出结果；
• 无限瀑布流：难在"协议"——内容在不断新增、排序在不断变化，怎么保证用户连续下拉时不重复、不漏看、永远有货。

总体架构：重活在用户到来之前干完

整个系统的核心思想只有一句话：请求路径上只做轻活，所有重计算都提前发生在事件流和离线任务里。

flowchart TD
    subgraph 提前计算["提前计算（用户到来之前）"]
        A["离线层<br/>批量训练模型<br/>计算全量候选池"] --> D["在线存储<br/>画像 特征 候选集"]
        B["近线层<br/>行为事件经 Kafka<br/>Flink 实时更新画像特征"] --> D
    end
    subgraph 请求路径["请求路径（用户下拉这一刻）"]
        C["在线服务<br/>召回 排序 组装<br/>几十毫秒返回"] --> E["客户端<br/>渲染一屏"]
    end
    D --> C
    E -.->|"曝光 点击 停留事件"| B

• 离线层（小时/天级）：Spark 类批处理训练推荐模型，算出全量候选——比如"每个用户最可能感兴趣的一万条内容"；
• 近线层（秒级）：用户的每一次曝光、点击、停留、点赞都作为事件进 Kafka，流处理作业（如 Flink）实时更新用户画像和特征。你上一次刷的行为，下一刷就生效——“越刷越懂你"的体感来自这一层；
• 在线层（几十毫秒）：你下拉刷新这一刻，服务只做"取候选 → 排序 → 组装一页”，所有重活的结果早已躺在在线存储里。

这三层 Netflix 在 2013 年就公开过（offline/nearline/online 的经典划分），至今仍是推荐系统的主流形态。上一篇 Flink 自动扩缩容里 Netflix 的"个性化自定义作业"，干的就是近线层的活。

为什么是这个分工：Kafka、Spark、Flink 各自的角色

架构图里三个组件的角色容易被误解，值得单独说清。

Kafka 不是"记录数据"的，是事件总线。 它解决四个问题：

• 解耦：打点的客户端不需要知道谁在消费、有几个消费者；
• 削峰：曝光事件的洪峰来临时，消费端可以按自己的节奏追，消息堆在 Kafka 里不会丢；
• 可回放：特征算错了、逻辑改了，把昨天的事件流重新放一遍就能重算——消息队列变成时间机器；
• 多消费者：同一份事件流同时喂给画像更新（Flink）、数仓落盘、实时监控，各取所需互不干扰。

没有它的替代方案是客户端打点直连 Flink——Flink 一挂数据就丢。Kafka 是缓冲带加保险箱。

Spark 和 Flink 看着像，血统不同：

分工逻辑由此而来：

• 训练用 Spark，因为它是吞吐型任务：几 TB 历史数据扫几遍、小时级跑完即可，不在乎单条延迟；而且机器学习工具链都在它这边。
• 画像更新用 Flink，因为近线层的 KPI 是"行为发生后多久生效"：要求秒级，且要维护滚动状态（最近 N 次行为的加权向量）——逐条处理加状态管理正是 Flink 的主场。用 Spark 微批也能跑，代价是生效延迟从秒变分钟，“越刷越懂你"的体感就钝了。

要诚实补一句：边界在模糊化。Spark 能流、Flink 能批，用 Spark Streaming 做近线的公司也不少。这个分工一半是技术判断，一半是生态和组织惯性——团队的历史栈是什么，往往和"哪个理论最优"同等重要。

用户偏好怎么算出来：交互矩阵与 embedding

讲四层漏斗之前，先看"偏好"这个东西在系统里的物理形态——它决定了每层能用什么数据。

一切从一张用户-物品交互矩阵开始：行是用户，列是内容（视频、微博、商品），格子里的值是行为强度。显式反馈（评分、点赞）稀疏但明确；隐式反馈（点击、停留时长、完播、划走速度）量大但噪声多——工业界主要靠后者。

矩阵太大太稀疏（几亿用户 × 几亿内容，99.99% 是空格），没法直接用，于是有了两条经典技术路线，都是十多年前就成熟的：

• 矩阵分解（Matrix Factorization）：把大矩阵分解成两个小矩阵——每个用户一个向量、每个物品一个向量，维度几十到几百。用户对物品的偏好 ≈ 两个向量的点积。2006-2009 年 Netflix Prize 竞赛把它打成主流，用 ALS（交替最小二乘）在集群上批量求解。
• embedding（嵌入向量）：矩阵分解的现代化身。item2vec（2016）把物品当"词”、用户行为序列当"句子"套 word2vec；双塔模型（DSSM 系）用两个神经网络分别把用户和物品映射到同一个向量空间。殊途同归：最终产物都是"每个用户一个向量、每个物品一个向量，点积或余弦相似度就是偏好分"。

这套东西直接决定了离线/在线的分工：

• 离线算：物品向量（内容发布后批量算一次，更新频率低）、用户长期兴趣向量（按天/小时批量更新）、物品相似度矩阵；
• 近线算：用户短期兴趣向量——最常见的实现是把用户最近 N 次行为对应的物品向量做加权平均（行为类型加权：完播 > 点赞 > 点击 > 秒划过；时间衰减：越久的行为权重越低）。Flink 作业消费行为事件、滚动更新这个向量，秒级生效；
• 在线算：只剩查表和点积——拿用户向量去向量库里找最近邻，或用画像特征给候选打分。

也就是说，“用户偏好"在请求到来前就已经被压缩成几百维的向量躺在存储里了。下面四层漏斗里所有"懂用户"的操作，本质都是在读这份预先算好的压缩包。

四层排序漏斗总览

在线服务收到一次下拉请求，要在几十毫秒内从海量内容里选出这一屏的 20 条。对全量内容逐一打分是不可能的，工程上的标准解法是漏斗：每一层用更贵的模型处理更少的候选。

flowchart TD
    A["召回<br/>万级候选<br/>多路召回： 协同过滤 向量 热门 关注"] --> B["粗排<br/>千级<br/>轻量模型快速打分"]
    B --> C["精排<br/>百级<br/>深度排序模型融合全部特征"]
    C --> D["重排 混排<br/>二十条一页<br/>多样性打散 插入广告 业务规则"]

先说清一个术语问题：这套漏斗的主力技术是深度学习排序模型，不是大语言模型（LLM）。协同过滤 2000 年代就有，矩阵分解是 2009 年 Netflix Prize 的明星，GBDT+LR 是 Facebook 2014 年的论文，Wide & Deep 是 Google 2016 年的——整个栈在十年前就完整存在。LLM 近两年开始进入推荐链路（内容理解、生成标签、甚至生成式召回），但在线排序的主力依然是经典深度模型。别把"推荐系统"和"大模型"混为一谈。

召回：离线算相似度，在线做检索

任务：从几亿内容里捞出万级候选。关键词是覆盖率——宁多勿漏，漏了的后面几层救不回来。

召回是"多路并行"的，每一路是独立的候选来源，技术路径和离线/在线分工各不相同：

第一路：协同过滤（itemCF 为主）。逻辑是"和你喜欢过的东西相似的东西”。物品两两之间的相似度由共现矩阵算出（喜欢 A 的人也多大比例喜欢 B，余弦相似度），这个矩阵全离线算，按天或按小时更新，结果存 KV：item_id → 相似物品 TopK 列表。在线时只做一件事：拿用户最近行为过的物品列表去 KV 里批量查，合并候选。在线路径上没有任何矩阵运算，全是查表。

第二路：向量召回（双塔 + ANN 检索）。物品向量离线批量算好，灌进向量索引库（Faiss、HNSW 这类近似最近邻索引，百万级向量检索只要几毫秒）；用户向量由近线层滚动更新。在线时拿用户向量在索引里查 TopK——这一步是召回里唯一称得上"在线计算"的环节，但它也只是一次索引检索，不是模型推理（双塔的用户塔也可以在线跑一次，把实时上下文特征算进去，看延迟预算）。

第三路：运营类候选。热门榜、新内容池、同城/地理围栏、关注关系产出——这些本质是离线或近线算好的榜单，在线直接读。它们的作用不是精准，而是兜底和探索：新用户没有画像（冷启动）时，热门榜就是全部；老用户的候选里也固定掺一部分，保证 Feed 有新鲜感。

多路结果合并、去重、按路配额截断，凑齐万级候选交给下一层。

粗排：夹在中间的性价比层

任务：万级 → 千级。它存在的唯一理由是精排太贵——精排模型打一万条候选，延迟和算力都吃不消，但召回结果直接用又太糙。

粗排的模型选型讲究"够用就好"：早年用 LR（逻辑回归）或 GBDT，特征只取最强的一批（物品热度、用户类目偏好分、历史 CTR）；近年常用简化版双塔——向量点积打分，几乎就是向量召回的打分器复用。特征从特征存储里批量读，模型在线跑，但都是毫秒级的小模型。

工程上粗排是可选层：候选量小的业务（百万级内容池）召回直送精排也扛得住；亿级内容池才必须用它护住精排的延迟。

精排：深度学习，但不是大模型

任务：对千级候选逐条打分，预测"这个用户看到这条内容，会不会点、会看多久"。这是"千人千面"真正被算出来的地方，也是算法团队的主战场。

模型演进的主线清晰可见，每一步都发表在十年内：

注意这张表里没有一个是大语言模型。它们参数量百万到亿级，输入是结构化特征向量，一次推理是几十毫秒的批量矩阵乘法。

精排的在线链路是漏斗里最长的：

flowchart LR
    A["候选列表 千级"] --> B["特征拼接<br/>用户画像 物品特征<br/>实时上下文: 时间 设备 网络"]
    B --> C["特征存储 Feature Store<br/>离线特征读 KV<br/>近线特征读 Flink 产出"]
    C --> D["深度排序模型<br/>批量推理 输出 CTR/时长预测"]
    D --> E["按预估分排序<br/>截断到百级"]

关键组件是特征存储（Feature Store）：离线特征（用户长期画像、物品属性）和近线特征（最近一小时的点击序列、实时曝光计数）在请求时按 key 批量读出、和实时上下文（现在是几点、什么设备）拼成特征向量。特征的一致性是这个环节最大的坑：离线训练用的特征和在线服务用的特征必须同一份定义，否则"训练时很准、上线后翻车”——特征平台存在的意义就是管这份一致性。

重排/混排：从"预测喜欢"到"设计一页"

精排输出的是分数，但分数最高的 20 条直接端给用户往往体验很差：可能十条都是同一个作者、同一类题材。重排层的职责变了——不再预测"你多喜欢"，而是设计"这一页长什么样"。它几乎全是规则和策略，在线执行：

• 多样性打散：相邻 N 条不允许同作者/同类目；更讲究的用 MMR（每次选"分高且与已选差异大"的）或 DPP（行列式点过程，数学上保证选出的集合整体多样）；
• 混排：把广告、关注更新、运营位按规则插进自然结果。广告有自己的排序逻辑——eCPM = 出价 × 预估点击率，既要用户可能点、又要广告主出价高；
• 负反馈过滤：你点过"不感兴趣"的作者和类目，在这里被硬性屏蔽；
• 业务护栏：去重、过滤已举报/审核中内容、新内容冷启扶持配额。

重排是业务规则密度最高的一层，通常做成规则引擎而不是模型——产品运营每周调的都是这里。

离线 vs 在线：一张分工总表

把全链路摊开，每个环节算什么、什么时候算、存哪里，一张表收拢：

规律一目了然：越靠近"知识沉淀"（模型参数、向量、相似度）的越离线，越靠近"当下上下文"（你刚点了什么、现在几点）的越在线。在线路径上真正的计算只有两样——向量检索和模型推理，其余全是查表。

注意一个工程事实：漏斗每一层都是"算法团队调模型、工程团队保接口"。接口契约是稳定的（输入候选列表和特征，输出打分排序后的列表），模型怎么迭代都不影响上下游——这是推荐系统能持续进化的架构前提。

无限瀑布流（一）：分页协议为什么必须是游标

无限下拉遇到的第一个坑是分页。直觉做法是 offset 分页（“给我第 41-60 条”），在推荐流场景下它有三个致命伤：

所以推荐流的分页协议长这样：每次请求带一个游标（cursor），响应返回一页内容 + 下一页的游标。

请求:  GET /feed?cursor=eyJscCI6...&count=20
响应:  { "items": [...20条...], "next_cursor": "eyJs..." }

游标是个不透明字符串（服务端编码，客户端不许解析），里面通常装着：上一页最后一条的标识和排序分、本次推荐的批次号、过期时间。“不透明"是关键设计：服务端可以随时改游标格式和分页逻辑，客户端零感知。

无限瀑布流（二）：一次下拉请求的完整链路

把上面两节合起来，用户下拉一次的完整链路：

sequenceDiagram
    participant U as 客户端
    participant F as Feed 服务
    participant S as 在线存储
    participant R as 排序服务
    U->>F: 下拉 带上次游标
    F->>S: 查用户画像和已曝光记录
    F->>S: 取候选集 多路召回合并
    F->>R: 粗排 精排 重排
    R-->>F: 排序后的候选
    F->>F: 过滤已曝光 取一页<br/>写入已曝光记录
    F-->>U: 返回 20 条 + 下一页游标
    U->>U: 渲染 上报曝光事件

链路里有两个不那么显眼但缺一不可的组件：

已曝光去重（seen filter）。用户刷过的内容不能再出现，否则无限下拉就成了无限重播。实现上是在线存储里维护每用户的已曝光集合——请求时过滤、响应后写入。数据量大时用布隆过滤器压缩内存（允许极低误判率，误判的代价不过是少推一条内容），或者按天滚动窗口只记最近 N 天的曝光。

预取（prefetch）。如果等用户滑到底再发请求，每一页都有加载等待，无限流就成了"有停顿流”。客户端的标准做法：滚动到当前列表 70%-80% 位置时就预取下一页；网络差时加大预取提前量。用户感知到的"永远流畅"，一半是服务端架构，一半是这一个提前量。

“永远拉不到头"怎么兑现

这是无限瀑布流真正的核心问题：个性化候选再多也是有限的，用户刷 200 屏之后呢？答案是分层供给，逐级降级：

1. 个性化候选：精排得分最高的一批，前几十屏的主力；
2. 探索流量（exploration）：故意混入你没表现出过兴趣的类目——推荐系统必须留探索比例，否则画像会收敛到死胡同（信息茧房在工程上的成因就是探索为零）。这层对用户是"刷到了意外之喜”，对系统是"采集新兴趣信号"；
3. 热门与新内容兜底：当个性化候选耗尽，降级到全站热门、最新发布——这些内容池每天都在被离线任务刷新，事实上是无限的；
4. 时间衰减：同一条内容的推荐价值随时间衰减，昨天刷过的爆款明天权重下降，保证"明天再来还有新东西"。

所以"永远拉不到头"不是因为算出了无限多的个性化结果，而是因为个性化耗尽之前，系统会不露痕迹地滑向兜底池。用户刷到第 100 屏时看到的"千人千面"，成分里热门内容的占比早已悄悄超过个性化——体验连续，供给无限。

数据闭环：这一刷决定下一刷

最后把环闭上。客户端上报的每一条曝光、点击、停留时长、划走速度，都经 Kafka 进入近线层：

• 停留 5 秒以上 → 画像里对应类目的权重上调；
• 秒划走 → 权重下调；
• 点了的广告、取关的话题 → 写入负反馈特征。

下一刷的召回和排序用的就是更新后的画像。推荐系统的"智能"不在某一次排序多准，而在于这个闭环转得多快——从行为发生到画像生效的延迟，直接决定用户"它懂我"的体感。这也是为什么 Netflix 那样的公司要养三万个流处理作业、还专门给它们做自动扩缩容。

和关注流的关系

顺带澄清一个常见混淆：微博、X 都有两种流——

• 关注流（关注的人发的内容，按时间排序）：经典问题是写扩散（发微博时推给所有粉丝）还是读扩散（刷的时候现拉），粉丝量大的大 V 是写扩散的噩梦；
• 推荐流（本文讨论的）：没有"关注"这个约束，内容来自全站，靠排序漏斗筛选，游标分页。

现代产品里两者早已混合：推荐流里插关注内容、关注流里插推荐内容，都在重排混排那一层完成。

落地清单

如果要自己实现一套，按这个顺序检查：

骨架

• 三层分离：离线训练、近线特征、在线排序，请求路径上只留轻活；
• 排序漏斗四层：召回保覆盖、粗排保性价比、精排保准确、重排保体验，层间接口契约稳定。

无限流协议

• 游标分页，游标不透明、带过期时间；
• 已曝光去重：在线集合或布隆过滤器，按天滚动窗口；
• 客户端 70%-80% 位置预取下一页。

“拉不完"的保障

• 分层供给：个性化 → 探索 → 热门/新内容兜底，降级要无感；
• 探索流量比例显式配置，别让它收敛到零；
• 内容时间衰减，保证"明天还有新东西”。

闭环

• 曝光/点击/停留全量上报，经消息队列进近线层；
• 监控"行为 → 画像生效"的端到端延迟，这个数就是用户体感的下限。

一句话收拢：千人千面不是"为每个用户算一遍"，而是把计算摊到用户到来之前的每一秒里；无限瀑布流不是"有无限内容"，而是个性化耗尽之前，系统早已悄悄换档。两个魔术的机关，都在用户看不见的那一侧。

想直观感受这套漏斗里的数据长什么样，可以看姊妹篇《从余弦定理到 TikTok：一个用户的推荐流是怎么被算出来的》——造一个用户，带着他一晚上的行为数据走完召回、粗排、精排、重排。

参考：Netflix 技术博客的个性化系统架构（offline/nearline/online 三层划分）；推荐系统排序漏斗与游标分页为业界通用架构实践。

• 系统架构

• 推荐系统
• Feed流
• 瀑布流
• 系统设计
• 架构
• 千人千面

方糖猫（大可）

18 年后端架构，现在独立做 AI 产品。这里记录 AI 视频、AI Agent 与工程实践。