互联网技术和移动电子商务领域快速发展的背景下,个性化推荐成为学术界研究的重点。随着推荐算法的不断演进,除了在数学上推断和验证外,很多公司选择将改进的算法实际应用到线上环境。在线测试能通过用户数据上的反馈判断算法效果、为算法改进提出决策。同时,推荐技术的兴起和飞速发展带来了管理平台的需求,一个企业内设计的推荐场景越多、算法越复杂,管理和维护的成本越大。每新增一个特定的场景,就需要重新开发和维护一套推荐系统;每修改算法的一个参数或流程,就需要单独设计实验进行在线测试。此外,随推荐场景和业务的增加,推荐在线服务面临高并发的访问,同一推荐服务下的服务集群存在服务分发不均衡的问题。为了能够在同一时间段内测试和维护不同算法产生的多个实验,本文提出了多层嵌套分流结构,通过横向和纵向的划分,将用户流量均匀分配给不同在线测试;引入适当的分流函数,保证足够测试流量的同时避免了不同测试之间的相互影响。为了解决在线测试中请求分发的负载均衡问题,本文提出了基于反馈的改进加权最小连接数算法,通过周期性获取各节点的负载情况,将各服务节点分配的权值和节点实时的负载率结合,实现反馈的动态负载均衡;提出了负载权值变化阈值,在阈值范围内减少对节点分配权值的更新,以保证服务集群负载的稳定性。为了解决多场景下推荐服务的构建和管理问题,本文设计并构建了支持在线测试的推荐引擎辅助平台,实现不同推荐场景下推荐服务配置、部署、管理、测试、监控、统计等功能,为管理和维护服务提供方便。