火山引擎ByteHouse：如何用OLAP为抖音精准推荐提效

抖音依靠自身推荐系统为用户推送可能感兴趣的视频内容，其中离不开对兴趣用户的精准圈选。对兴趣用户的圈选主要通过理解核心用户的偏好特征，判断两者偏好的相似性，从而构建同类用户的兴趣圈层，实现精准推荐。

以往的兴趣圈层往往依赖单一的维度或标签，比如内容类型、时长、地理特征等，难以揭示用户兴趣的底层逻辑。例如，“重庆美女小姐姐吃播视频”“二次元古风舞蹈视频”，从表面上看，吃播与舞蹈、重庆与古风.....标签类型完全不相同。经过深度分析，运营人员发现喜欢两个视频竟然是同类人群。通过挖掘用户底层兴趣逻辑，将共同兴趣的人划分在同一个兴趣圈层中，并向他们推荐更多相关内容，是抖音兴趣圈层平台主要的能力之一。

要搭建这样一套兴趣圈层平台，不仅需要精细的算法策略，对底层数据存储架构也是一大挑战。之前，技术团队主要采用MySQL作为存储架构。作为一种行式存储的数据库，MySQL对于大量数据的处理效率不尽如人意，需要高配置硬件，甚至要采用分片、读写分离等策略来提升性能，导致硬件成本显著提高。其中，MySQL的瓶颈还体现在：

· 每日新增数据量庞大：抖音用户圈层基础信息表日增万级数据，圈层作者信息表日增百万数据，圈层用户信息表日增千万条左右数据，已经达到 MySQL 秒级千万级查询的性能瓶颈。