本文将详细讲解爱奇艺TV后台分布式实时本地Cache实践方案，给大家解决高并发问题提供一个参考。

本文将介绍爱奇艺移动端后台如何通过灰度环境优化解决以上的问题。

APP DIFF方案利用deeplink、mock提升了UI自动化稳定率和效率，并结合AUI图像匹配算法，达到接近人工的验证效果，在收藏、card等业务推进落地，以较低成本持续产生收益，在移动端UI自动化方向实现了突破与创新。

随着互联网公司的产品和业务越来越多样，利用数据来驱动业务决策成为必然，而AB实验正是以数据指标来判断产品功能和运营策略迭代效果的方法和工具，其可以在保证样本同时性和同质性基础上，对比两个或多个实验组在同一应用场景下的效果。

随着深度学习浪潮的兴起，embedding技术也随之快速发展。embedding自身表达能力的增强使得直接利用embedding生成推荐列表成了可行的选择。因此，利用embedding向量的相似性，将embedding作为推荐系统召回层的方案逐渐被推广开来。我们在了解了embedding生成的常用算法模型之余，对于推荐系统的实现而言，了解其工程化实践也非常重要，本文将介绍在线向量召回服务在爱奇艺的工程化实践。

我们都知道日常开发的Android App是运行在Java虚拟机的环境中，Java虚拟机会自动进行垃圾回收（garbage collection，以下简称gc），但gc发生时有可能会造成一定程度的卡顿，而Java大内存对象的创建更易引发gc，对应到Android中即Bitmap对象，所以需要尽可能的减少新Bitmap的创建。

在Android 8.0及以上版本，Bitmap的数据是存储在native内存，创建Bitmap不会影响gc。而Android 3.0-7.1版本上，Bitmap的像素数据(byte[])是存储在java堆中的，一张500*500 ARGB8888格式的图片，其内存占用约为1m，如果频繁地创建和销毁Bitmap很容易引起gc，造成页面卡顿。

Android有提供inBitmap机制，来复用不再使用的Bitmap，但是，如何方便地收集不再使用的Bitmap，如何高效的存储管理收集的Bitmap，Android并没有提供系统的解决方案。

基于这些问题，本文提供一套高效的图片复用方案，此方案只需配置较低的内存缓存，即可达到很高的图片复用率，从而有效减少图片相关的gc。

本文讲述了爱奇艺精准测试实践过程中，为了走出回归测试困境、实现精细化测试能力建设进行的一系列技术攻坚。

“爱奇艺搜索排序算法实践”干货分享。

本文讲述了奇搜知识图谱的构建过程，及其在爱奇艺搜索、NLP服务中的具体应用。

在视频直播中，首帧渲染速度会直接影响用户体验。想象一下，你兴致勃勃进入了一个爱豆的直播间，进入直播间后迟迟不见直播画面，而是长时间停留在直播间背景图上，这是大多数用户都无法接受的体验。

为了提高用户在爱奇艺直播和小视频平台奇秀app iOS端的观看体验，爱奇艺去年中旬对奇秀秒播进行了整体的优化，主要涉及业务逻辑以及视觉上的优化。

2019年6月，爱奇艺正式推出服务全球用户的产品iQIYI App，并通过中台系统为iQIYI App提供全球化运营支持，由此开启了海外市场布局之路。作为影视内容服务商，其中必然涉及大量长视频，而长视频的出海，重要的一环就是台词翻译。

目前，爱奇艺已在多个国家布局，涉及多种语言的台词翻译，主要有泰语、越南语、印尼语、马来语、西班牙语、阿拉伯语等等语言，这就使得多语言翻译成为了迫在眉睫的现实需求。

此外，与通用翻译相比，台词翻译有一些独有的特点如：

（1）台词一般句子较短，上下文信息不足，歧义性大；

（2）很多台词来源于OCR或ASR识别的结果，会有错误，可能影响翻译质量；

（3）在台词对话中往往会涉及很多人物的指代，故而角色名和代词的翻译对于台词翻译来说尤为重要；

（4）部分台词需要结合视频场景信息才能进行语义消歧。

正是爱奇艺海外多国布局的现实需要以及台词翻译的独有特点这两大因素使得台词场景下多语言机器翻译实践成为现实。

本文主要分享在短视频推荐场景下，爱奇艺基础推荐团队在排序模型多目标优化方面的历史和进展。

本文将从性能、缓存、限流、灾备、日志等几个方面来介绍我们是如何保证Nuxt服务的可用性及稳定性的。

本文将从用户反馈全链路处理的整体框架和各环节关键能力来展开介绍。

是否有更好的方式来提前预防数据变更导致的崩溃问题？

爱奇艺私有云Serverless实践干货分享！