client -> (log-server -> )log-distribution -> user-profile -> recommend
用户在客户端上操作，此处由客户端同学埋点，埋点上报数据进入日志服务，会在本地存储一份同步到数据分析平台，另一份进入MetaQ，分发到各处需要日志的服务，log-distribution服务用来为画像采集日志，此处单独起一个服务是为画像聚集日志数据，因为部分日志可能不从MetaQ上报，可能通过接口。如果在画像侧开一个额外接收日志的接口会增加耦合度。
用户画像服务得到日志，并计算存储画像数据。当推荐服务请求画像时，再根据画像数据，按照时间衰减得出当前的兴趣列表以及对应的分数。在根据兴趣列表拉取到内容列表，根据内容的item_ctr * 拉取到的分数进行排序。
根据行为来计算分数的画像，在画像服务侧只存储了两个数据，一个标识对何种类型感兴趣的分数，以及事件发生的时间。这里采用的redis zset存储(使用两个zset，一个存储感兴趣的类型，一个存储兴趣发生的时间)。
zset 分为三个部分：key,value,score。
用户发生的事件之后，推荐根据用户id拉取兴趣列表和分数时，计算规则如下
\[nowScore = \dfrac{score}{e^{k({g_{0} - t_{0}})}}\]那么再一次发生事件，推荐再一次根据id拉取兴趣列表和分数时的计算方式应该为：
\[nowScore = \dfrac{score_{0}}{e^{k({g_{1} - t_{0}})}} + \dfrac{score_{1}}{e^{k({g_{1} - t_{1}})}}\]并且依次类推，以及相加之后发生事件的分数和对应的时间。
使用zset存储的分数以及事件发生的时间只有一个值(一个score 和 一个eventTime)，所以就需要将每次的分数和对应的时间运算得出一个最新的结果。计算方式如下：
第一次事件发生时间的时候，两个zset上存在的score为 score_0, 时间为 t_0。
第一次推荐拉取画像的时候g_0，两个zset上存在的score为 score_1, 时间为 g_0，计算规则如下：
把公式叠加在一起就是：
\[nowScore = \dfrac{\dfrac{\dfrac{score_{0}}{e^{k({g_{0} - t_{0}})}}}{e^{k({t_{1} - g_{0}})}} + score_{1}}{e^{k({g_{1} - t_{1}})}}\]展开之后得到和原本的计算逻辑的公式：
\[nowScore = \dfrac{score_{0}}{e^{k({g_{1} - t_{0}})}} + \dfrac{score_{1}}{e^{k({g_{1} - t_{1}})}}\]使用zset还有一个好处是，zset提供了zunionstore方法，可以直接合并两个用户的画像，比如需要合并匿名用户和登录用户的画像。
伪码省去。