8.0
热点
AI SCORE
技术实践2026-08-05 09:39
Netflix推荐系统设计：ML系统设计深度剖析
dev.to · AI#推荐系统#系统设计#机器学习
Editor brief · 编辑速览
系统设计面试常考题，详解候选生成→排序→嵌入→反馈循环全链路，涵盖embedding、冷启动、延迟优化等工程难点，是准备面试和理解推荐架构的好材料。
你有没有过这样的经历：打开 Netflix 时完全不知道想看什么，结果几秒钟内就找到了感兴趣的内容？
这并非偶然。
这背后是一套精密的推荐系统，它要回答一个根本性问题：
此刻应该向这位用户展示什么内容，才能最大化他观看的概率？
这个问题使得推荐系统成为机器学习系统设计中最有趣的问题之一。
同时这也是一道很好的面试题，因为解决它需要的远不止选择一种 ML 算法。
你需要考虑数据、用户行为、候选生成、排序、Embedding、反馈循环、可扩展性、延迟、实验以及业务目标。
假设你遇到这道 ML 系统设计面试题：
设计一个 Netflix 风格的电影和电视节目推荐系统。
一种 naive 的理解可能是：
推荐用户会喜欢的电影。
但"喜欢"很难定义。
喜欢一部电影意味着：
看完另一集？
给它一个正面评分？
我们可以将目标表述为：
根据用户观看或参与的概率，对可用内容进行排序。
现在我们有了一个可衡量的东西。
推荐问题就变成了排序问题。
面对数万条潜在内容：
我们希望 ML 模型能估算类似这样的东西：
P(观看 | 用户, 内容, 上下文)
然后根据预测的相关性对候选进行排序。
想象构建一个最简单的推荐引擎。
我们可以选取 20 部最受欢迎的节目，展示给所有人。
用户打开应用
↓
查找热门内容
↓
按热度排序
↓
展示前 20 部
这在最初会相当有效。
但有一个主要问题：
所有用户得到的推荐几乎相同。
科幻
惊悚
科技
悬疑
爱情
喜剧
剧情
家庭
向两位用户展示相同的推荐，会浪费关于他们偏好的有价值信息。
这就是个性化变得重要的地方。
让我们改进系统。
假设某人经常看科幻电影。
我们的推荐引擎可以简单地推荐：
更多科幻电影。
但还有另一个问题。
推荐系统可能会被困在用户的历史偏好中。
这就形成了我们所说的推荐泡泡。
用户不断看到：
科幻
科幻
科幻
科幻
科幻
但也许他们会非常喜欢一部心理惊悚片。
他们只是还没有发现而已。
因此，一个强大的推荐系统需要平衡两个概念：
推荐我们有把握用户会喜欢的内容。
引入用户明显历史偏好之外可能有兴趣的内容。
这是设计推荐系统时的一个重要概念。
发现这些隐藏兴趣的一种方式是通过协同过滤。
想象以下情形。
怪奇物语
暗黑
黑镜
怪奇物语
暗黑
黑镜
心理猎人
他们的观看模式高度重叠。
因此，系统可以推断：
如果用户 B 喜欢《心理猎人》，用户 A 也有相当大的概率会喜欢它。
注意一个有趣的现象。
推荐不一定基于类型。
它是基于用户之间的行为相似性。
在规模化情况下，这些关系变得极其强大。
数百万用户创造了如下模式：
用户 → 内容 → 交互
ML 模型可以发现这些交互中的关系，而这些东西是人类难以手动定义的。
推荐系统可以从两种主要类型的反馈中学习。
显式反馈
用户主动告诉你他们的偏好。
⭐⭐⭐⭐⭐ 评分
👍 喜欢
👎 不喜欢
这些信息非常有价值。
但有一个问题。
大多数用户不会对他们看过的每一部内容进行评分。
这就是为什么现代推荐系统大量依赖隐式反馈。
隐式反馈来自观察行为。
电影点击
观看时长
完成百分比
剧集完成
重看行为
浏览历史
搜索行为
跳过行为
浏览时长
用户 A 给一部电影：
⭐⭐⭐⭐⭐
用户 B 把整部电影看了两遍。
哪个信号表示更强的参与度？
这就是为什么行为数据变得非常有价值。
一旦我们收集了交互数据，就需要将其转化为有意义的特征。
我们可以将特征大致分为三类。
用户特征：
观看历史
偏好类型
平均观看时长
完成率
语言偏好
近期交互
历史参与度
内容特征：
类型
演员
导演
上映年份
语言
热度
时长
内容分级
上下文特征经常被忽视。
同一个人在不同情境下可能有不同行为。
一天中的时间
星期几
设备
会话历史
近期搜索
近期观看
例如，一个人在：
周末晚上
的工作日晚上
的偏好可能非常不同。
现在我们面临一个重要的可扩展性问题。
想象目录包含：
100,000+ 部电影和节目
每次有人打开应用时都使用昂贵的 ML 模型对每条内容进行排序，是低效的。
相反，推荐系统通常会引入候选生成阶段。
目标很简单：
将数千种可能的推荐缩减为较小的有潜力候选集合。
100,000 条内容
↓
候选生成
↓
500 个候选
↓
排序模型
↓
50 个候选
↓
过滤 + 重新排序
↓
最终推荐
这大大减少了计算量。
现代推荐系统经常使用 Embedding 来表示用户和内容。
不用成千上万条手动创建的规则来表示一部电影，我们可以将其表示为一个向量。
电影 A
[0.12, 0.81, 0.34, 0.72, ...]
用户也可以有 Embedding：
用户 A
[0.15, 0.79, 0.31, 0.69, ...]
现在推荐可以涉及找到接近用户偏好向量的内容向量。
用户 Embedding
↓
向量相似度搜索
↓
相似内容 Embedding
↓
候选电影
近似最近邻技术可以使这种检索在超大目录规模下依然高效。
候选生成回答：
这个用户可能会喜欢什么？
在这些候选中，哪些应该优先展示？
假设候选生成产生了：
500 部电影
排序模型使用用户、内容和上下文信号来评估这些候选。
从概念上讲，我们想要：
分数 = 模型(用户, 电影, 上下文)
生成类似这样的结果：
电影 A → 0.94
电影 B → 0.89
电影 C → 0.84
电影 D → 0.76
更高的分数代表根据我们所选目标更强的预测相关性或参与度。
排名最高的候选成为推荐。
仅靠排序仍然不够。
假设模型生成了：
电影 1 → 动作
电影 2 → 动作
电影 3 → 动作
电影 4 → 动作
电影 5 → 动作
从技术上讲，这些推荐的预测分数可能都很高。
但体验不一定好。
因此，另一个层级可以引入约束，例如：
多样性
新鲜度
内容可用性
已观看内容
地区可用性
年龄限制
业务规则
最终推荐列表既相关又有用。
综合以上，我们的 Netflix 风格推荐管道可能长这样：
用户交互
↓
数据收集层
↓
特征管道
↓
用户 / 内容 Embedding
↓
候选生成
↓
排序模型
↓
过滤 + 重新排序
↓
个性化推荐
↓
用户交互
↓
反馈循环
↺
每次交互都会生成新信息。
这些信息可以改进未来的推荐。
这就形成了一个持续的 ML 反馈循环。
构建模型是不够的。
离线 ML 指标可能包括：
Precision@K
Recall@K
NDCG
Mean Reciprocal Rank
但生产推荐系统也应该关注业务和行为指标。
观看时长
推荐 CTR
完成率
会话时长
留存
内容发现
归根结底，推荐系统应该改善用户体验——而非仅仅最大化某个离线 ML 分数。
假设我们创建了一个新的排序模型。
现有模型产生：
CTR = 7.2%
我们的离线实验表明新模型更好。
我们应该立即替换生产模型吗？
我们可以进行 A/B 测试。
A 组
↓
现有推荐模型
B 组
↓
新推荐模型
然后比较如下指标：
CTR
观看时长
完成率
留存
如果 B 组持续表现更好，且没有损害其他重要指标，新模型可以逐步推广。
这个问题最重要的教训不是协同过滤。
也不是排序模型。
机器学习系统设计始于定义我们实际在优化什么。
在选择算法之前，先问：
我们在解决什么问题？
成功的定义是什么？
我们有哪些信号？
应该收集什么数据？
存在哪些约束？
如何提供预测？
如何衡量成功？
系统如何从反馈中学习？
只有在回答了这些问题之后，我们才应该开始讨论模型。
我们的简化架构变成：
用户行为
↓
数据收集
↓
特征工程
↓
用户 + 内容 Embedding
↓
候选生成
↓
排序
↓
过滤
↓
多样性 / 探索
↓
推荐
↓
A/B 测试
↓
反馈循环
这就是一个可扩展推荐平台的基础。
同样的架构不限于电影。
类似的原则可以驱动各类推荐：
🛒 电商产品
📱 社交媒体信息流
底层的 ML 系统设计原则高度相似。
如果面试官问：
"你会如何设计 Netflix 的推荐系统？"
不要立即回答：
"我会使用协同过滤。"
"首先，让我们定义我们要预测什么行为，以及我们要优化什么业务结果。"
这一个区别就把对话从讨论 ML 算法转变为设计 ML 系统。
这就是从：
软件工程师 → ML 工程师 → AI/ML 架构师 所需的心态。🚀
如果你对机器学习系统设计、推荐系统、RAG、Agentic AI、LLM 架构和 AI 系统设计感兴趣，请持续关注。
我会逐一拆解这些系统。🚀