张想 |
腾讯 PCG 流量生态部 推荐中心 推荐引擎工程团队
2013年加入腾讯，2018年加入微视，经历微视推荐从0到1的过程，主导设计实现了微视推荐内部多个重要模块。现负责微视推荐在线框架、召回系统、性能与稳定性等方向建设。在推荐架构方面有较丰富经验。
课程概要
案例背景:
微视推荐随着业务的不断发展，系统规模不断膨胀，业务逻辑日趋复杂，机器资源消耗及业务的平响不断上升，为了降本增效降低时延，做了一系列工作缓解系统瓶颈，改善服务质量
解决思路:
1.建设完善的监控体系
2.多角度多粒度的优化措施
3.规范与流程化机制保障防退化
成果：
大幅降低推荐耗时，减少机器资源消耗
听众收益
1.微视推荐系统设计
2.性能优化的方法论
3.稳定性改进的措施
张想 |
腾讯
PCG 流量生态部 推荐中心 推荐引擎工程团队
2013年加入腾讯，2018年加入微视，经历微视推荐从0到1的过程，主导设计实现了微视推荐内部多个重要模块。现负责微视推荐在线框架、召回系统、性能与稳定性等方向建设。在推荐架构方面有较丰富经验。
课程概要
案例背景:
微视推荐随着业务的不断发展，系统规模不断膨胀，业务逻辑日趋复杂，机器资源消耗及业务的平响不断上升，为了降本增效降低时延，做了一系列工作缓解系统瓶颈，改善服务质量
解决思路:
1.建设完善的监控体系
2.多角度多粒度的优化措施
3.规范与流程化机制保障防退化
成果：
大幅降低推荐耗时，减少机器资源消耗
听众收益
1.微视推荐系统设计
2.性能优化的方法论
3.稳定性改进的措施
CopyRight © 2008-2021 Msup & 高可用架构
京ICP备09001521号