Databricks 发布电商实时推荐系统参考架构
从事件接入、特征计算到毫秒级在线推荐，Databricks 拆解了一套全链路跑在自家平台上的电商推荐参考架构。
Databricks 介绍一套电商实时推荐的参考架构：某亚洲时尚电商平台每秒接入约 1000 条用户行为事件（浏览、搜索、加购等），经 Zerobus Ingest 落湖、分层计算特征，再由在线特征表和模型服务端点在毫秒级返回个性化推荐。
正文摘录
实时零售智能：在 Databricks 上用 Lakebase 和 AI Search 构建电商推荐系统 一家领先的时尚电商平台如何向数百万用户提供低延迟的个性化商品推荐 —— 完全由 Databricks 数据智能平台驱动。 购物者在时尚电商 App 上停留的每一秒，都在生成一串意图信号 —— 搜索、商品浏览、加入心愿单、购物车交互。那些能把这些信号实时转化为相关商品推荐的平台，才是最终的赢家。行业基准数据显示，有效的个性化可以将转化率提升 10–30%，并显著提高平均订单金额（AOV）。 然而，构建一套生产级推荐系统仍然是最困难的 ML 工程挑战之一。它需要实时数据摄取、复杂的特征工程、多个 ML 模型协同工作，以及能在毫秒级响应的服务基础设施 —— 同时还要让库存、地理位置和业务规则保持同步。 这篇博客给出了一套在 Databricks 上构建此类系统的完整参考架构，基于一家亚洲领先时尚电商平台的真实落地实现 —— 该平台拥有超过 100 万月活用户和 10 万+ SKU 的商品目录。 该架构采用统一平台思路，从数据摄取到模型服务，每个组件都运行在 Databricks 上，并由 Unity Catalog 统一治理。 数据摄取 平台每秒摄取约 1,000 条事件 —— 包括商品浏览、搜索、加入购物车、购买以及会话元数据。Lakeflow Connect 的 Zerobus Ingest 提供了摄取骨干，把事件直接落入 Unity Catalog 的 Delta 表，无需自管理消息中间件。 一个重要的架构区分：点击流数据通过 Zerobus 流入湖仓，用于离线特征计算和模型训练；但在实时推理路径（Path B）中，会话内的用户信号 —— 也就是购物者此刻正在浏览的内容 —— 会直接作为 API 请求负载的一部分发送给 Model Serving 端点。