百变应用场景下，优酷基于图执行引擎的算法服务框架筑造之路

在阿里的业务中，有广泛的算法应用场景，也沉淀了相关的算法应用平台和工具：基础的算法引擎部分，有成熟的召回和打分预估引擎、在线实时特征服务；推荐算法应用L域，有算法实验平台TPP（源于淘宝个性化平台），提供Serverless形式的算法实验平台，包括资源弹性伸缩，实验能力(代码在线发布、AB分流、动态配置)，监控管理（完善的监控报警、流控、降J)等能力，是算法在线应用的基石。

但在实际的算法应用业务中，比如优酷推荐业务，算法应用场景众多（100+活跃场景），需求灵活多变，如果没有一套通用业务框架，用于抽象出通用和定制化的部分来提G算法组件的复用度；会严重拖慢算法实验的节奏。基于图引擎的算法服务框架就是为了封装一套框架，抽象算法在线服务的通用算子，支持运行时的算法流程的装配，提升算法服务场景搭建的效率。

设计概览

算法推荐典型在线处理执行流程：多路粗排召回，合并，预估，打散策略。推荐服务根据用户的设备ID等其他必要信息进行多路并行召回，在召回引擎中进行粗排后，经过必要的过滤处理，截取一定数量的内容调用Rank引擎进行精排预估，预估结果经过一系列算法策略处理后输出终结果。

整个过程中召回，合并，预估，打散等业务处理有并行处理，有串行处理，根据业务需要能够灵活配置。基于图的推荐业务执行引擎是运行在算法实验平台上的执行引擎，它的典型处理流程是：在AB实验分桶上，通过图形化交互页面配置数据源、业务算子的执行依赖关系，并配置每个算子的运行时动态参数。

系统总体结构如下图所示：分成五个主要的模块（图执行算子元件、图形化配置DAG、图配置动态解析、DAG图执行引擎、Debug调试）。