设计一个实时推荐系统
这是一个经典的开放设计题。请设计一个支持千万级DAU的实时推荐系统，要求：1）架构分层（接入层/计算层/存储层/服务层）；2）实时特征计算框架选型；3）推荐算法模型（召回/排序/重排）分别在离线和实时链路如何实现；4）如何保证系统在双11等大流量下的低延迟和高可用。
回答
小字辈
实时推荐系统设计
架构分层：
- 接入层：Nginx → Kafka（用户行为日志）
- 实时特征层：Flink消费Kafka，实时计算用户行为特征（点击/收藏/购买）
- 模型推理层：Triton Inference Server / TorchServe 部署深度学习模型
- 存储层：Redis（用户画像实时更新）+ Faiss（向量检索召回）+ HBase（离线特征）
- 服务层：推荐编排服务，调用召回→排序→重排→混排→输出
算法链路：
- 离线训练：Spark ML训练DeepFM/DIN模型，每天更新
- 实时召回：Flink实时计算协同过滤相似度 + 向量召回
- 实时排序：LightGBM/Ranker在线打分，Flink实时更新模型权重
- 重排：多样性控制（MMR算法）+ 业务规则过滤
高可用方案：
- 多层缓存（Nginx本地Cache → Redis → 特征Cache）
- 降级策略：模型降级为LR，召回降级为热门推荐
- 弹性扩容：K8s HPA基于请求QPS自动扩缩容
大流量兜底：提前压测 + 预热缓存 + 限流熔断