4+N架构：从0到1搭建保险个性化推荐能力【转载】

一、背景与挑战

业务背景

随着保险互联网化的进程，相关的产品、权益和资讯也越来越多，如何给用户在合适的场景下推送合适的内容成为运营的难点和痛点，依赖人工规则+圈人的方式在海量item的场景下难以做到item和user的精准匹配，基于大数据和算法的个性化推荐方案应运而生，相比人工方案，基于数据智能的个性化精准营销方案不仅在业务效果（点击和转化）上有明显的提升，在运营效率也有巨大提升。由于保险的推荐场景较多，碎片化较严重，每接到新需求重新搭建模型链路的成本较高，因此我们亟需沉淀一套通用的模型链路框架，提升开发上线的效率。

​

技术挑战

团队较新，相关经验积累较少，搭建通用模型链路框架，我们面临4个方面挑战：

• 挑战一、场景的复杂性：推荐的场景多样化，面临推荐物料异构，内容参差不齐，如何抽象一套通用的模型特征框架？
• 挑战二、链路的复杂性：推荐的链路更加复杂，涉及系统更多，如何打通各个系统链路？
• 挑战三、模型的复杂性：推荐的模型多为深度神经模型，相比传统机器学习模型开发部