-
索引池是对当前所有item的判定，并不是所有item都可以出现在推荐这整个大的逻辑下面。举个例子，广告主的某个计划，只设定了相应的预算，如果预算花完了，或者广告主已经不想投了，那就需要从索引池里面拿掉。另一种情况是可能有多种索引池，广告主不想投放20-30的人群的时候，索引池就等于是其他年龄段的索引池合并起来。
-
特征服务，用户发生请求（刷新，刚进入app等都会有请求发生）时，算出该用户信息所对应的特征，比如通过他的一些行为判定他的年龄性别等。另一个很重要的则是获取这个用户的一些历史行为。对于item当然也要提取特征，但是图上没有画出来，原因是item的大多数特征都相对固定，而用户的行为特征变化很快，需要专门的服务来处理
排序模块，这就是模型主导的部分了，下面要讲的召回精排粗排都在这里，下一讲要涉及的打压保送策略也包含在内。排序模块的作用就是从很多候选的item中挑出最好的一个或者多个进入到展示逻辑中 -
展示逻辑，这里有的同学可能会问，知道哪个最好不就直接放出去就好了吗？为啥还要有一个逻辑的区分？其实这里一个主要的点指的是广告和内容的混排，或者是视频和文章的混排。广告和文章，在各自的排序阶段是谁也看不见谁的，也就是说，上面的排序系统是双倍的。当双方都排好之后，需要对广告进行判定，要么是质量很高（预估的ctr，cvr都很高），要么是此刻之前展示的广告比较少，门槛下降了。如果符合这两种情况就可以对广告选择合适的位置投放。
-
日志系统：记录推送前后系统发生的一切事情。注意在图上有一个日志系统返回排序模块的箭头，这个箭头的含义是，用户的行为要落盘，形成新的训练数据来让排序模块继续训练
-
分析系统：这个系统依赖于日志，此处主要指AB测试系统。AB测试就是指，把用户随机进行划分，一部分用户应用对照组（A组，也就是原来的系统），另一部分用户应用实验组（B组，也就是我们想添加的改进点）。通过对比AB之间的差异，来展示我们所加的改进点是否有效。所以整个系统的迭代都是严重依赖AB实验的，想一个idea-做线下实验-上AB试试-有效就推广到全量，一般是这么个流程。当然AB实验也不是万能的，这个后面会讲到。另外要注意的是，虽然这里叫做AB测试，但是实际上对照组的用户不是都放在同一个桶里面，实践中往往是AABB实验，即对照组也有多组，实验组也有多组。这么做是为了观察组内的方差和组间的方差，假如两个对照组之间的观看时长差距有3%，对照组和实验组差距只有2%，那我们就无法说明这个实验是有正向的。
上面是对于整个系统框架的梳理，下面我们就细化到排序模块里面，看看具体是如何排序的.