一、產(chǎn)品背景
今日頭條是為用戶提供個性化資訊客戶端。下面就和大家分享一下當前今日頭條的數(shù)據(jù)（據(jù)內(nèi)部與公開數(shù)據(jù)綜合）：
- 5億注冊用戶
- 2014年5月1.5億，2015年5月3億，2016年5月份為5億。幾乎為成倍增長。
- 日活4800萬用戶
- 2014年為1000萬日活，2015年為3000萬日活。
- 日均5億PV
- 5億文章瀏覽，視頻為1億。頁面請求量超過30億次。
- 用戶停留時長超過65分鐘以上
1、文章抓取與分析
我們?nèi)粘．a(chǎn)生原創(chuàng)新聞在1萬篇左右，包括各大新聞網(wǎng)站和地方站，另外還有一些小說，博客等文章。這些對于工程師來講，寫個Crawler并非困難的事。
接下來，今日頭條會用人工方式對敏感文章進行審核過濾。此外，今日頭條頭條號目前也有為數(shù)不少的原創(chuàng)文章加入到了內(nèi)容遴選隊列中。
接下來我們會對文章進行文本分析，比如分類，標簽、主題抽取，按文章或新聞所在地區(qū)，熱度，權(quán)重等計算。
2、用戶建模
當用戶開始使用今日頭條后，對用戶動作的日志進行實時分析。使用的工具如下：
- Scribe
- Flume
- Kafka
我們對用戶的興趣進行挖掘，會對用戶的每個動作進行學習。主要使用：
- Hadoop
- Storm
產(chǎn)生的用戶模型數(shù)據(jù)和大部分架構(gòu)一樣，保存在MySQL/MongoDB（讀寫分離）以及Memcache/redis中。
隨著用戶量的不斷擴展大，用戶模型處理的機器集群數(shù)量較大。2015年前為7000臺左右。其中，用戶推薦模型包括以下維度：
- 1 用戶訂閱
- 2 標簽
- 3 部分文章打散推送
此時，需要每時每刻做推薦。
3、新用戶的“冷啟動”
今日頭條會通過用戶使用的手機，操作系統(tǒng)，版本等“識別”。另外，比如用戶通過社交帳號登錄，如新浪微博，頭條會對其好友，粉絲，微博內(nèi)容及轉(zhuǎn)發(fā)、評論等維度進行對用戶做初步“畫像”。
分析用戶的主要參數(shù)如下：
- 關(guān)注、粉絲關(guān)系
- 關(guān)系
- 用戶標簽
除了手機硬件，今日頭條還會對用戶安裝的App進行分析。例如機型和APP結(jié)合分析，用小米，用三星的和用蘋果的不同，另外還有用戶瀏覽器的書簽。頭條會實時捕捉用戶對APP頻道的動作。另外還包括用戶訂閱的頻道，比如電影，段子，商品等。
4、推薦系統(tǒng)
推薦系統(tǒng)，也稱推薦引擎。它是今日頭條技術(shù)架構(gòu)的核心部分。包括自動推薦與半自動推薦系統(tǒng)兩種類型：
1） 自動推薦系統(tǒng)
- 自動候選
- 自動匹配用戶，如用戶地址定位，抽取用戶信息
- 自動生成推送任務(wù)
這時需要高效率，大并發(fā)的推送系統(tǒng)，上億的用戶都要收到。
2）半自動推薦系統(tǒng)
- 自動選擇候選文章
- 根據(jù)用戶站內(nèi)外動作
頭條的頻道，在技術(shù)側(cè)劃分的包括分類頻道、興趣標簽頻道、關(guān)鍵詞頻道、文本分析等，這些都分成相對獨立的開發(fā)團隊。目前已經(jīng)有300+個分類器，仍在不斷增加新的用戶模型，原來的用戶模型不用撤消，仍然發(fā)揮作用。
在還沒有推出頭條號時，內(nèi)容主要是抓取其它平臺的文章，然后去重，一年幾百萬級，并不太大。主要是用戶動作日志收集，興趣收集，用戶模型收集。
資訊App的技術(shù)指標，比如屏幕滑動，用戶是不是對一篇都看完，停留時間等都需要我們特別關(guān)注
5、數(shù)據(jù)存儲
今日頭條使用MySQL或Mongo持久化存儲+Memched（Redis），分了很多庫（一個大內(nèi)存庫），亦嘗試使用了SSD的產(chǎn)品。
今日頭條的圖片存儲，直接放在數(shù)據(jù)庫中，分布式保存文件，讀取的時候采用CDN。
6、消息推送
消息推送，對于用戶: 及時獲取信息。對運營來講，能夠 提??用戶活躍度。比如在今日頭條推送后能夠提升20%左右的DAU，如果沒有推送，會影響10%左右 DAU（2015年數(shù)據(jù)）。
推送后要關(guān)注的ROI：點擊率，點擊量。能夠監(jiān)測到App卸載和推送禁用數(shù)量。
今日頭條推送的主要內(nèi)容包括突發(fā)與熱點咨訊，有人評論回復(fù)，站外好友注冊加入。
在頭條，推送也是個性化：
- 頻率個性化
- 內(nèi)容個性化
- 地域
- 興趣
比如：
按照城市：遼寧朝陽發(fā)生的某個新聞事件，發(fā)給朝陽本地的用戶。
按照興趣：比如京東收購一號店，發(fā)給互聯(lián)網(wǎng)興趣的用戶。
推送平臺的工具和選擇，需要具備如下的標準：
- 通道，首先速度要快，但是要可控，可靠，并且節(jié)省資源
- 推送的速度要快，有不同維度的策略支持，可跟蹤，開發(fā)接口要友好
- 推送運營的后臺，反饋也要快，包括時效性，熱度，工具操作方便
- 對于運營側(cè)，清晰是否確定推薦，包括推送的文案處理
因此，推送后臺應(yīng)該提供日報，完整的數(shù)據(jù)后臺，提供A/B Test方案支持。
推送系統(tǒng)一部分使用自有IDC，在發(fā)送量特別大，消耗帶寬較嚴重?？梢允褂妙愃瓢⒗镌频姆?wù)，可有效節(jié)省成本。
二、今日頭條系統(tǒng)架構(gòu)
三、頭條微服務(wù)架構(gòu)
今日頭條通過拆分子系統(tǒng)，大的應(yīng)用拆成小應(yīng)用，抽象通用層做代碼復(fù)用。
系統(tǒng)的分層比較典型。重點在基礎(chǔ)設(shè)施，希望通過基礎(chǔ)設(shè)施提高快速迭代、容災(zāi)和一系列的工作，希望各個業(yè)務(wù)團隊能更快做業(yè)務(wù)上的迭代以及架構(gòu)上的調(diào)整。
四、今日頭條的虛擬化PaaS平臺規(guī)劃
通過三層實現(xiàn)，通過 PaaS 平臺統(tǒng)一管理。提供通用 SaaS 服務(wù)，同時提供通用的 App 執(zhí)行引擎。最底層是 IaaS 層。
IaaS 管理所有的機器，把公有云整合起來，頭條有一些熱點事件會全國推廣推送，對網(wǎng)絡(luò)帶寬比較高，我們借助公有云，需要哪一種類型計算資源，統(tǒng)一抽象起來?；A(chǔ)設(shè)施結(jié)合服務(wù)化的思路，比如日志，監(jiān)控等等功能，業(yè)務(wù)不需要關(guān)注細節(jié)就可以享受到基礎(chǔ)設(shè)施提供的能力。
五、總結(jié)
今日頭條重要的部分在于：
數(shù)據(jù)生成與采集
數(shù)據(jù)傳輸。Kafka做消息總線連接在線和離線系統(tǒng)。
數(shù)據(jù)入庫。數(shù)據(jù)倉庫、ETL（抽取轉(zhuǎn)換加載）
數(shù)據(jù)計算。數(shù)據(jù)倉庫中的數(shù)據(jù)表如何能被高效的查詢很關(guān)鍵，因為這會直接關(guān)系到數(shù)據(jù)分析的效率。常見的查詢引擎可以歸到三個模式中，Batch 類、MPP 類、Cube 類，頭條在 3 種模式上都有所應(yīng)用。
