随着信息技术尤其是移动互联网技术的飞速发展,网络平台上的信息量呈现指数级增长;如何从海量数据中发现感兴趣的内容对用户来说是一大挑战。作为解决这种挑战的有效手段,推荐系统被越来越多地用于为用户提供个性化服务。本文的主要工作是为易车APP设计在线推荐系统,并优化其关键算法。面对易车APP的数百万用户和数十万内容资源,设计在线推荐系统有着三方面挑战:首先,推荐系统需满足实时性和准确性要求,以提高用户体验;其次,推荐系统需具备足够的灵活性,以方便内容推荐和推荐场景扩展;最后,推荐系统需具备足够的扩展性,以支持对推荐算法进行高效率更新。为了解决这些挑战,本文设计实现了由数据处理层、候选集召回层和排序层组成的在线推荐系统,并且从候选集触发策略和排序模型两方面对推荐算法进行优化更新。主要贡献如下:(1)在系统设计层面,采用分层设计方法,将在线推荐系统解耦为数据处理层、候选集召回层和排序层,提高了系统的可扩展性。其中,候选集召回层联合使用基于内容、标签、关联规则和热点的推荐算法解决不同方面的推荐问题,来提高推荐效果;排序层使用机器学习模型对候选集中的内容进行排序,来提高推荐的准确率。(2)在候选集生成层面,本文对基于内容和热点的推荐算法进行改进:1)提出基于内容时效性的推荐算法(CB_time_delay),将内容的时效性用于内容相似度计算。线上A/B测试表明,该算法使文章视频点击率比原有的基于内容推荐的算法提高了 30%。2)提出一种衡量内容热度的测度指标,实现了基于该测度指标的热点排序算法。在线A/B测试结果显示,改进之后,文章视频的点击率比原来基于热点的推荐算法提高了 9.5%。(3)在内容排序层面,通过离线比较逻辑回归(LR)、梯度提升树(GBDT)和Wide&Deep三种机器学习算法的AUC(Area Under Curve)性能指标值和计算复杂度,使用L1正则化的逻辑回归模型的AUC值高于GBDT和Wide&Deep模型,计算复杂度也低于另外两个模型;最后本文选取了施加L1正则化的逻辑回归模型作为线上的排序模型。论文设计的系统已经实际部署,应用于易车APP的大规模内容推荐,新版本的推荐系统有更好的推荐效果,人均阅读上升为原来的1.7倍,文章视频的点击率提高为原来的两倍。