腾讯 PCG 有大量的推荐业务场景，比如腾讯看点、腾讯新闻、腾讯视频、QQ 空间、微视、腾讯浏览器等。优秀的推荐系统需要在线训练海量的稀疏数据，支持大规模分布式，持续增量上线，以及快速 A/B 实验扩缩容。更加复杂的推荐模型要求我们逐步使用 GPU 等加速硬件。

这次演讲我将介绍 PCG AI 中台的无量推荐系统如何解决这些技术难点，同时让技术足够通用、可扩展，能够以工业化的中台高效率服务多个不同业务。

演讲提纲：

1. 无量推荐深度学习框架的架构，难点，方案，和未来工作：
   • GPU 在推荐系统的应用和难点（如增加打分 batch size，提高单机计算密度，拆分部分 Sparse 计算到 CPU，其余放在 GPU。多 GPU Embedding 分片等）
   • 和 TensorFlow 等开源框架融合时的 API 设计，在功能扩展的同时不影响原生 Feature Column，Estimator，Keras API 的使用
   • 参数的动态变长，自动淘汰，训练时量化压缩等功能扩展
2. 推荐系统的核心难点，比如模型管理，线上 Serving，A/B 实验等
   • 多模型多服务的自动扩缩容（分钟级百节点），支持线上 A/B 实验频繁的流量调整
   • 使用一套统一的 Serving 架构支持大规模精排，召回和传统 CV/NLP 场景
   • 上千节点 Serving 服务技术瓶颈的解决

听众受益点：

1. 推荐系统如何同时解决易用性（支持开源 TF/PyTorch），推荐特性（海量稀疏数据，千亿特征），线上服务（快速 A/B，自动化上线）
2. 在推荐系统应用时其他常见的问题，如特征对齐，云架构，数据分发
3. 更复杂推荐模型（带 Attention，RNN，Multi-Expert，多目标，多模态）的 GPU 加速
4. 展望推荐系统未来技术的演进方向