本文分为四部分介绍机器学习在微博信息流中的应用实践,分别为:微博信息流推荐场景介绍,内容理解与用户画像,大规模推荐系统实践和总结展望。

微博信息流推荐场景介绍

微博的feed流内容形态各异,有视频,图片,文字,长文,问答等,其用户量也很大,2018年Q2统计DAU(日活)为1.9亿,MAU(月活)为4.3亿,这么庞大的用户量,如何做好首页feed流的个性化推荐就显得格外重要。


内容理解与用户画像

由于个性化推荐是给用户推荐其感兴趣的内容,所以对于微博的内容理解和用户画像部分就显得格外重要。内容理解即通过文本内容理解和视觉理解技术,对微博内容进行细粒度表征,即形成每篇微博内容的表征向量。


用户画像即基于用户的发博内容,行为数据,自填信息等进行深度挖掘,精准分析刻画用户,从而在进行微博内容推送时能够实现其个性化。

大规模推荐系统实践

目前推荐架构的实现思路都是先从海量原始数据中,依据用户画像,召回用户偏好的数据,在利用排序算法对其进行排序,最终选择top K返回给用户。微博推荐亦是如此。其整体的流程图如下所示:

物料召回:即从候选物料集合中粗筛物料,作为进行模型的待排序物料。

算法排序则是结合相关特征对物料召回的内容进行预估排序,其特征主要分为:用户特征,内容特征,环境特征,组合特征和上下文特征等。











总结与展望

  • 总结

    • 业务和数据决定了模型算法的应用场景
    • 模型算法殊途同归
    • 工程能力和算法架构是基本保障
  • 展望

    • 采用多模型融合,能更好的对非结构化内容进行表征
    • 更多的融合网络结构适用于CTR预估场景

完整内容请阅读原文:https://blog.csdn.net/Gamer_gyt/article/details/88164127


打开微信扫一扫,关注微信公众号【搜索与推荐Wiki】