魅族资讯流推荐算法的实践与演进.pdf

魅族资讯流推荐算法的实践与演进 吴梦玲 魅族算法工程师 背景介绍 整体推荐框架 实践与演进过程 总结与展望 背景介绍 01 背景介绍 从目前移动互联网的大环境上看，资讯流是最能给产品带来商业价值的形式之一 v.s. 在线时间足够长、细分度足够高 背景介绍 对于Flyme而言 ： • 用户阅读资讯内容的最便捷入口 • 整合全系统用户偏好，满足用户对内容 的个性化需求 整体推荐框架 02 整体推荐框架 “做人民群众喜闻乐见的资讯推荐” 准确性 多样性 时效性 整体推荐框架 根据真实用户反馈学习排序模型，提高推荐准确性 1. 多个召回算法并行组合，满足推荐结果多样性 2. 召回模型在线更新，满足时效性 整体推荐框架 热点新闻 群体偏好 new-hot: + content-based: 个人内容偏好，特化能力强 userCF: 同类人群的偏好，相对泛化 摄影 王思聪 微软 … 整体推荐框架 • Ranking决定用户真实看到的文章排序 • 更偏重“排序最优” • 召回决定用户一次请求可能看到的全部文章候选集 • 更偏重“查全率” 整体推荐框架 基于真实反馈数据的Ranking模型 ： 某个晚上11点wifi环境下 0.11 在线Ranking: 0.03 0.82 整体推荐框架 label features 1. 可量化的业务目标 2. 建模 3. 定义学习任务 0.82 Prob(click=1|user, item, context) 0