5億註冊使用者2014年5月1.5億，2015年5月3億，2016年5月份為5億。幾乎為成倍增長。日活4800萬用戶2014年為1000萬日活，2015年為3000萬日活。日均5億PV5億文章瀏覽，視訊為1億。頁面請求量超過30億次。使用者停留時長超過65分鐘以上

1、文章抓取與分析

  我們日常產生原創新聞在1萬篇左右，包括各大新聞網站和地方站，另外還有一些小說，部落格等文章。這些對於工程師來講，寫個Crawler並非困難的事。

  接下來我們會對文章進行文字分析，比如分類，標籤、主題抽取，按文章或新聞所在地區，熱度，權重等計算。

2、使用者建模

ScribeFlumeKafka

我們對使用者的興趣進行挖掘，會對使用者的每個動作進行學習。主要使用：

Hadoop Storm

  產生的使用者模型資料和大部分架構一樣，儲存在MySQL/MongoDB（讀寫分離）以及Memcache/Redis中。

  隨著使用者量的不斷擴充套件大，使用者模型處理的機器叢集數量較大。2015年前為7000臺左右。其中，使用者推薦模型包括以下維度：

使用者訂閱標籤部分文章打散推送

此時，需要每時每刻做推薦。

3、新使用者的“冷啟動”

分析使用者的主要引數如下：

4、推薦系統

1） 自動推薦系統

自動候選 自動匹配使用者，如使用者地址定位，抽取使用者資訊 自動生成推送任務

這時需要高效率，大併發的推送系統，上億的使用者都要收到。

2）半自動推薦系統

資訊App的技術指標，比如螢幕滑動，使用者是不是對一篇都看完，停留時間等都需要我們特別關注

5、資料儲存

6、訊息推送

頻率個性化內容個性化 地域 興趣

比如：

按照城市：遼寧朝陽發生的某個新聞事件，發給朝陽本地的使用者。

按照興趣：比如京東收購一號店，發給網際網路興趣的使用者。

推送平臺的工具和選擇，需要具備如下的標準：

通道，首先速度要快，但是要可控，可靠，並且節省資源推送的速度要快，有不同維度的策略支援，可跟蹤，開發介面要友好推送運營的後臺，反饋也要快，包括時效性，熱度，工具操作方便對於運營側，清晰是否確定推薦，包括推送的文案處理

因此，推送後臺應該提供日報，完整的資料後臺，提供A/B Test方案支援。

推送系統一部分使用自有IDC，在傳送量特別大，消耗頻寬較嚴重。可以使用類似阿里雲的服務，可有效節省成本。

系統的分層比較典型。重點在基礎設施，希望通過基礎設施提高快速迭代、容災和一系列的工作，希望各個業務團隊能更快做業務上的迭代以及架構上的調整。

本小編專注於伺服器後臺開發，包括C/C++，Linux，Nginx，ZeroMQ，MySQL，Redis，fastdfs，MongoDB，ZK，流媒體，CDN，P2P，K8S，Docker，TCP/IP，協程，DPDK等等，特聘多位一線網際網路百萬年薪的技術專家，以大型網際網路落地的產品架構為核心，培養Linux 領域全能型的專業C/C++開發工程師。