将整个推荐系统的架构分为三个部分，在线部分，近线部分和离线部分。

对于在线部分，首先通过多路召回（基于少量特征以达到较高处理速度）将歌曲数量过滤到千量级以下，如果歌曲数量还是太多，可以加入粗排序进一步降低歌曲数量。接着进入精排序阶段，可以采用具有特征组合的模型（比如FM或DGBT+LR）进行个性化的排序。最后进入重排序阶段，这个阶段将融入业务策略（比如去已读，广告等等），然后将歌曲推荐给用户。

对于近线部分，需要实时收集用户数据，并将它们整理成可训练的数据，一方面喂给实时模型进行在线训练，一部分存储为历史数据为离线模型的训练做准备。

对于离线部分，主要是利用收集的历史数据周期性更新离线模型，由于数据规模通常非常大（几百GB甚至几TB），所以这个部分需要利用高效的分布式机器学习平台。