背景   

今天来讨论一下搜索和推荐系统直接的关系。 搜索的第一反应是啥：百度。搜索要解决的事情是快速找到用户想要的东西，重点是快速，准确。往往每一次的搜索都是一个短暂的过程。人们需要搜索，但是不会迷恋搜索。这也就是百度最近几年在大力推广手机百度app已经feed流的原因，搜索逐步走向推荐。

    推荐的第一反应是啥：抖音，快手。主动给用户返回一些感兴趣的东西，搜索功能逐步弱化。

    搜索是以百度、谷歌为代表的PC时代的霸主，而推荐是当下以抖音，快手短视频为代表的巨头。二者之前的关联在哪里，为什么人们会逐渐从搜一搜转向了刷一刷。更加重点的是从SRE角度来看应该如何来保障，并区分侧重点。

   

    人们会朝着自己简易的东西去选择，越简单越好，所以最近今年以推荐为主的公司会发展的非常快，而以搜索为主的公司会面临一些瓶颈。

    无论是搜索和推荐，都离不开 。搜索和推荐都是为人找信息，而 是为信息找人。

    为什么会从搜索逐步转向推荐，其实重点是两点，第一是及时反馈，第二是简单快捷；搜索是有目的的查找东西，而推荐是漫无目的的发现喜好的东西。   

整体联系

搜索引擎架构：

sunxianghuang/article/details/86009982

jishu/section-2

这里可以看到自然语言的处理和倒排索引是搜索依赖的两大核心，建库，传库，最终提供线上服务。

推荐系统架构：

推荐系统中召回和排序是推荐系统中算法的核心部分。

整体位置

图片来自极客时间

    相同点在于：需要提前做好用户日志的处理提取，都会经历，物料处理，召回，排序，给用户吐出结果。

    不同点在于：搜索会更加注重自然语言的处理，切词，分词；而推荐则会更加重视视频的内容的分析；推荐以人为主，物为辅；搜索更加在于人为辅；物为辅助；不同人推荐出来的内容会更加个性化，而搜索出来的词需要更加精确化。

运维保障侧重点

作为SRE来说不用一味追求理解其中深入的算法，但是需要理解其背后的联系，整体的架构，已经如何合理的运维和保障。

1 流量的变化

    对于搜索来说当系统有问题的时候，流量会出现一个下降的趋势，因为用户搜不到结果，或者结果是一个错误结果用户可能就会离开。

    对于推荐系统来说，比如快手和抖音其实是一个相反的态势，如果推荐不准确，用户的体验是看到的视频不是我想看的，但是不是出现看不到视频的情况，就会往下刷。流量会呈现一个上升态势。

2 时效性要求

    对于搜索来说一个热点的事件或者链接的更新，需要要求搜索系统能快速的更新，防止出现死链的情况出生。要求的往往都是最新的。另外cdn里面搜索会缓存一些热点图片和视频，但是搜索的大部分还是文字,这些是需要快速更新的所以也不适合做缓存。

    但是对于推荐系统来说，虽然对时效性要求也很高，但不是一个强制的，比如视频很热往往会联系出现好多天，如果还有人重新发布的话，这个又会变热。所以搜索对时效性的要求要比推荐高很多，但是肯定是时效性越高效果会越准确。比如很热的视频都是在cdn缓存，因为这些视频一旦推出去就不会有更新的操作。

3 降级的侧重点

    对于搜索来说降级预案是什么？减少返回结果，但是准确性是需要保障的。搜索降级思路减少结果，保障准确，屏蔽 ，返回快照等等。

    对于推荐系统比如抖音来说，降低作品质量，但是数量是要保证，一旦用户滑倒视频断了就会爆发一个非常大的舆情事件。推荐降级思路，去掉实时推荐，使用个性化缓存，去掉个性化推荐,使用默认列表，去掉 。

    搜索降级是要保障准确性，而推荐的降级是要保证不断流。

背景   

今天来讨论一下搜索和推荐系统直接的关系。 搜索的第一反应是啥：百度。搜索要解决的事情是快速找到用户想要的东西，重点是快速，准确。往往每一次的搜索都是一个短暂的过程。人们需要搜索，但是不会迷恋搜索。这也就是百度最近几年在大力推广手机百度app已经feed流的原因，搜索逐步走向推荐。

    推荐的第一反应是啥：抖音，快手。主动给用户返回一些感兴趣的东西，搜索功能逐步弱化。

    搜索是以百度、谷歌为代表的PC时代的霸主，而推荐是当下以抖音，快手短视频为代表的巨头。二者之前的关联在哪里，为什么人们会逐渐从搜一搜转向了刷一刷。更加重点的是从SRE角度来看应该如何来保障，并区分侧重点。

   

    人们会朝着自己简易的东西去选择，越简单越好，所以最近今年以推荐为主的公司会发展的非常快，而以搜索为主的公司会面临一些瓶颈。

    无论是搜索和推荐，都离不开 。搜索和推荐都是为人找信息，而 是为信息找人。

    为什么会从搜索逐步转向推荐，其实重点是两点，第一是及时反馈，第二是简单快捷；搜索是有目的的查找东西，而推荐是漫无目的的发现喜好的东西。   

整体联系

搜索引擎架构：

sunxianghuang/article/details/86009982

jishu/section-2

这里可以看到自然语言的处理和倒排索引是搜索依赖的两大核心，建库，传库，最终提供线上服务。

推荐系统架构：

推荐系统中召回和排序是推荐系统中算法的核心部分。

整体位置

图片来自极客时间

    相同点在于：需要提前做好用户日志的处理提取，都会经历，物料处理，召回，排序，给用户吐出结果。

    不同点在于：搜索会更加注重自然语言的处理，切词，分词；而推荐则会更加重视视频的内容的分析；推荐以人为主，物为辅；搜索更加在于人为辅；物为辅助；不同人推荐出来的内容会更加个性化，而搜索出来的词需要更加精确化。

运维保障侧重点

作为SRE来说不用一味追求理解其中深入的算法，但是需要理解其背后的联系，整体的架构，已经如何合理的运维和保障。

1 流量的变化

    对于搜索来说当系统有问题的时候，流量会出现一个下降的趋势，因为用户搜不到结果，或者结果是一个错误结果用户可能就会离开。

    对于推荐系统来说，比如快手和抖音其实是一个相反的态势，如果推荐不准确，用户的体验是看到的视频不是我想看的，但是不是出现看不到视频的情况，就会往下刷。流量会呈现一个上升态势。

2 时效性要求

    对于搜索来说一个热点的事件或者链接的更新，需要要求搜索系统能快速的更新，防止出现死链的情况出生。要求的往往都是最新的。另外cdn里面搜索会缓存一些热点图片和视频，但是搜索的大部分还是文字,这些是需要快速更新的所以也不适合做缓存。

    但是对于推荐系统来说，虽然对时效性要求也很高，但不是一个强制的，比如视频很热往往会联系出现好多天，如果还有人重新发布的话，这个又会变热。所以搜索对时效性的要求要比推荐高很多，但是肯定是时效性越高效果会越准确。比如很热的视频都是在cdn缓存，因为这些视频一旦推出去就不会有更新的操作。

3 降级的侧重点

    对于搜索来说降级预案是什么？减少返回结果，但是准确性是需要保障的。搜索降级思路减少结果，保障准确，屏蔽 ，返回快照等等。

    对于推荐系统比如抖音来说，降低作品质量，但是数量是要保证，一旦用户滑倒视频断了就会爆发一个非常大的舆情事件。推荐降级思路，去掉实时推荐，使用个性化缓存，去掉个性化推荐,使用默认列表，去掉 。

    搜索降级是要保障准确性，而推荐的降级是要保证不断流。