基于微服务架构的转转二手交易平台

“一个帮你赚钱的网站”是转转二手交易平台的定位，主要解决从买买买到卖卖卖的问题。在共享经济的情况下，大家可以把闲置的手机、电脑等物品，通过转转二手交易平台卖出去，赚一些零花钱。转转二手交易平台整体架构设计采用微服务架构，于2015年11月12号发布。

                     

                                                                 图1 转转总体微服务架构图

如图1所示，可以直观的看到整个架构从左到右进行了垂直拆分，又对从上到下进行了水平分层。架构还设有网关、业务逻辑层、数据访问层、数据存储层、注册中心和配置中心等部分。基于转转总体的微服务架构，孙玄又针对推荐与搜索这两大架构的演进做了详尽的阐述。

 

推荐架构的演进

转转二手交易平台的推荐场景分为用户和商品两个维度。用户进入首页后看到的“看推荐和逛附近”两个板块以及点击分类之后看到的“为你推荐”板块，这三部分属于用户维度。“相似商品“推荐板块属于商品维度。

图2 用户维度和商品维度场景推荐

这些推荐场景背后的技术架构是如何打造的呢？接下来，让我们来看看转转二手交易平台推荐架构的演进。

转转二手交易平台推荐架构的演进可分为“石器时代”、“铁器时代”和“工业革命时代”三大阶段。

石器时代

推荐架构最开始0到1的过程，称之为石器时代，如图3所示。

                                                       图3 “石器时代”架构图

在“石器时代”所有的用户进入首页，都会看到同样的推荐内容。用户请求通过转转APP统一网关接入到推荐业务逻辑层进行一系列操作：如参数验证，拼装搜索请求参数等，最终访问搜索引擎。搜索引擎会进行召回和排序，并把结果返回给推荐业务逻辑层，业务逻辑层进行结果过滤、去重打散、渲染返回结果到APP客户端。

总结来说，“石器时代”的特点有全局推荐、无个性化、召回源单一、基于人工规则排序以及不支持线上ABTest等。

铁器时代

在“铁器时代”首要解决的问题就是个性化推荐，如图4所示为此阶段的架构图。

图4 “铁器时代”架构图

“铁器时代”整个架构最大的变化在于物理分离推荐排序层和召回层。召回层，“铁器时代”做了很多和个性化推荐相关的事情，如计算用户商品特征、计算商品相似度和用户实时画像等等。总结来说，“石器时代”的特点是，第一引入了个性化召回源，第二记录了推荐来源血统，第三为用户的行为流程做了反馈，第四支持了ABTest分组实验。

工业革命时代

历经了两个时代之后，推荐系统的排序结果依然不是很理想，主要是因为排序层仅仅做了分层排序，并没有把多个召回源进行融合排序。“工业革命时代”的核心是实时化+机器学习驱动。

图5 “工业革命时代”架构图

如图5所示，在“工业革命时代”推荐排序层发生了较大变化，引入了统一的机器学习排序模型。如果要引入机器学习排序模型来排序，就需要一些基础设施支持，所以“工业革命时代”增加了推荐统一召回服务层，涉及统一召回服务和统一特征服务。

“工业革命时代”的推荐架构做到了特征、模型的实时化，秒级捕捉到用户对商品变化再针对性推荐商品，进而提升转化率。除此之外，架构内部做到了组件化，可以自定义DSL和灵活编排组件。

未来，推荐架构将实现全面流水线化（如图6），一键完成模型训练、模型上线，实现复杂模型持续集成、快速迭代，从而大大提升生产效率。

图6 转转推荐架构流水线图

 

搜索架构的演进

转转二手交易平台的搜索场景分为分类搜索和关键词搜索，如图7所示。

图7 分类搜索和关键词搜索

在转转二手交易平台中，搜索架构的演进分为三个阶段：规则、机器学习模型和平台化。

规则阶段

搜索架构的第一阶段是人工规则排序，如图8为规则阶段架构图。

图8 规则阶段架构图

规则阶段由搜索逻辑层进行请求参数处理，搜索访问代理层进行参数解析之后，进而访问搜索集群。搜索集群承担召回和排序两阶段。

规则阶段，所有的召回、排序规则都由人工来定，主观调参调权，并且不支持线上ABTest。最终线上搜索效果也是无法有效评估。

机器学习模型阶段

这些阶段，搜索架构主要引入了机器学习模型。如图9所示为机器学习模型阶段架构图。

图9 模型阶段架构图

模型阶段，最主要特点是机器学习化，不仅召回过程中采用了机器学习模型，在排序阶段，大规模采用机器学习模型。由简单模型进行召回粗排，复杂机器学习模型进行细排。此阶段还做到了Query预分析、ABTest分组实验和用户行为数据反馈等。

平台化阶段

搜索通常是一个中台的作用，很多业务线都会用到搜索功能，故搜索架构要实现平台化，如图10所示为平台化阶段架构图。

图10 平台化阶段架构图

平台化阶段最大的变化是Query改写、召回、预测、ABTest等功能服务化，在平台化之后，还要做到服务通用化。

未来，搜索架构致力成为大中台，通过云搜索引擎实现业务一键接入（如图11）。

图11 转转云搜索引擎架构图

 

算法演进

孙玄表示， 算法是为了解决召回和排序这两大问题，无论推荐、还是搜索场景均一样。

召回算法演进，可分为非个性化召回、基于兴趣召回、基于商品的协同过滤(Item-Based CF)和基于用户的协同过滤(User-Based CF)。排序算法演进，可分为基于人工规则、逻辑回归模型、GBDT+LR、Deep&Wide和FTRL。

算法未来演进将实时化和模型化。实时化方面，是针对特征的获取和模型的变更而言。模型化方面，是针对召回层和排序层模型的复杂度而言，未来模型越来越复杂，对工程架构带来的挑战也会越大。

 

电商AI体系未来

关于电商AI体系未来到底应该如何演进的问题，孙玄表示，本质还是解决好商品的匹配（召回问题）和排序（如图12）。排序方面，排序集相对少，架构挑战不大。匹配方面，涉及到海量商品候选集的问题，架构挑战较大。

图12 电商AI体系架构图

图13 电商AI体系提升质架构图

图14电商AI体系扩大量架构图

商品匹配问题如何解决？我们从两方面着手：一方面是提升质（如图13），通过在召回层应用更加复杂的深度学习模型，提升商品召回的准确度；另一方面是扩大量（如图14），扩大匹配商品候选集，尽可能匹配出近全量的商品数据。