將PAI-Rec整合至現有系統：精排替換 - Platform For AI

若您已部署一套包含召回、過濾、精排及重排的成熟推薦系統，在引入 PAI-Rec 時，完整的在PAI-Rec上複現所有邏輯會有較大的工作量，因此我們建議您先替換原有系統的精排和重排模組，同時複用已有的召回結果。待 PAI-Rec 的精排模型在實驗中取得顯著效果後，再逐步將召回策略遷移至 PAI-Rec 引擎。

架構圖

架構的核心是將您系統中的召回結果作為輸入，交由PAI-Rec進行精排，再返回給您原有的系統。

召回與過濾：原有系統完成召回與過濾處理，產生待排序的物品列表。
流量切分與API調用：通過使用者ID等方式切分部分流量，調用PAI-RecRecommendation Engine介面。在調用時，將待排序的物品列表通過item_list參數傳入。
PAI-Rec精排處理：PAI-Rec接收到請求後，將item_list作為一路召回源。隨後，引擎擷取使用者與物品特徵，利用已部署的精排模型進行打分排序，並可執行重排等後續操作。
結果返回與日誌記錄：PAI-Rec返回排序後的物品列表以及本次推薦的實驗ID（exp_id）。您的用戶端需記錄exp_id與request_id，用於後續的效果分析和實驗評估。

PAI-Rec側配置

基於PAI-Rec的推薦方案（使用PAI-FeatureStore來管理特徵），配置特徵工程、精排模型，然後產生代碼，部署到DataWorks中。

模型打分服務：分為TensorFlow和PyTorch版本，請分別參考EasyRec Processor和 TorchEasyRec Processor。
PAI-Rec引擎內部：
- 通過FeatureStore擷取使用者特徵，詳情請參見PAI-FeatureStore。
- 引擎配置單中配置上下文召回（ContextItemRecall）。配置上下文召回之後，Recommendation Engine才會把介面傳入的item_list作為一路召回。
```
{
    "SceneConfs": {
        "${scene_name}": {
            "default": {
                "RecallNames": [
                    "ContextItemRecall"
                ]
            }
        }
    }
}
```
- 在PAI-Rec引擎配置單中設定調用精排模型，詳情請參見精排配置。
- 通過A/B服務管理內部的A/B實驗，可按照使用者ID分桶，設定多個排序模型。

使用者側工作

使用者側推薦系統保留原有的召回、過濾和曝光等操作，並將召回結構、使用者ID、使用者特徵和過濾規則等傳給PAI-Rec做排序打分、重排等邏輯。此外，為配合PAI-Rec的整合，原有系統需要進行如下少量改造：

介面調用：改造推薦請求邏輯，調用PAI-Rec引擎介面，並在item_list參數中傳入召回和過濾後的物品ID列表。
日誌埋點：在曝光和行為日誌中，記錄從PAI-Rec介面返回的request_id和exp_id欄位，這是進行實驗效果歸因和資料診斷的關鍵。