以微信为例，聊聊在内容推荐上AI的一些应用实践.pdf

编辑导语：AI与产品的融合早已经不是什么新鲜事，微信作为内容产品服务的一大提供者

，自然也离不开内容推荐。而内容推荐与AI的结合，对微信来说是一大机遇和挑战。本

文作者以微信为例，和我们聊一聊在内容推荐上，AI都有哪些应用实践。

内容推荐一直是流量分发中十分常见的应用方向，如头条的资讯、抖音的短视频、网易云

音乐等等。而微信也从去年开始逐渐推出更多内容产品服务，包括视频号、直播、看一看

等等，对于微信而言既是机会也是挑战。

机会意味微信已经开始探索出属于自己的内容成长方向，挑战则是在如何在庞大的流量上

，管好内容的质量输出、推荐服务体验。

而本文也将基于微信当前的内容产品服务，聊一聊微信将在多个场景服务上，都可能会进

行哪些AI能力实践（值得说明一下的是，本文无意从技术角度探究AI原理，更多从应用

场景出发了解当前的实践情况）。

1.到底什么是内容推荐？

在当下娱乐高度消费的社会，每个人几乎每天都在接触不同的内容产品服务。尤其是现在

推荐算法越发成熟，对用户和内容的理解越发深刻。

诸如头条的资讯、抖音的短视频或网易云音乐等等，但这些都是只是用户能接触最表层的

“事物”，要想提供这样的服务，背后有着一套成熟的体系。所以在这里也先简单科普下

，什么叫内容推荐服务。

以上就是一套典型的内容推荐服务体系，具体可以划分3部分：基础服务内容识别+用

户画像推荐引擎。

1.1基础服务

所谓基础服务，即搭建整个系统服务所需的一些基础能力。基于内容、用户及推荐引擎环

节，这样的基础服务需要涉及内容源、工程、数据等方面的能力支撑。

内容源：主要包含内容的引入存储、处理管理，把众多非结构化的数据，或者不同形态格

式的内容数据，以统一结构化的形式管理，便于为后续内容识别提供统一的方案；工程

：对于这样的能力，需要工程端给予性能优、高可用的研发能力支撑，对服务的计算效能

、算法模型的推理服务等都需要较强的支撑；数据：在整套服务中，数据是不可或缺的

，对于内容的数据、用户的数据等等，都构筑了以“用户”维度的画像特征，本质上推荐

服务把合适的内容分发给合适的用户，那么从数据维度识别用户，就必不可少，而关键的

数据就包含用户信息数据（头像、昵称、身份信息等）、行为数据（如当前位置、操作偏

好等等）。

1.2内容识别

这是本文的重点探讨内容，在推荐服务中，我们要把“内容”这一具体物品给到用户手上

，在此前提上是要对内容进行恰当的理解识别，来支撑更好的推荐。

而这道工序就涉及内容安全、内容质量及内容体验等关键应用场景，而这部分就涉及大量

AI能力的输出。下文也将重点探索微信是如何在这一环节进行AI能力实践，这里也简单

介绍几个关键的算法技术方向：

NLP：NaturalLanguageProcessing，即自然语言处理，通俗来讲就是研究计算机如何

理解人类语言并能进行相关的意图思考。而时下文本识别、关键词抽取等能力输出，主要

就是立足于这一技术；CV：ComputerVision，即计算机视觉，任何关于图片、视频等

形式，都主要应用这一技术能力；ASR：AutomaticSpeechRecognition，即自动语言

识别技术，是一种将人的语音转换为文本的技术,例如把视频中的音频转译为文本，从而通

过文本识别方式进行处理。而这一技术难度主要在于环境干扰程度、语言种类及词汇表丰

富性等等。

1.3用户画像

前面也提到，对内容识别的同时，也需要对“用户”进行刻画识别，只有对两方面都进行

充分识别，那么推荐引擎侧才能进行更好的分发。

而用户画像本质上也是对用户打标签，至于需要打什么标签，就依赖推荐策略的制定，但

基本的身份信息、生理特征、兴趣偏好等等都是需要具备的。

1.4推荐引擎

一个推荐模型的部署，依赖标签数据、推荐策略等形式的组合，其中标签数据即来源于对

内容、对用户的识别数据，而推荐策略则基于业务目标等方式制定，比如基于内容排序推

荐、基于协同过滤排序推荐、基于用户行为偏好等等。

以上就是一套完整的内容推荐服务，其中本文重点探讨的就是“内容识别”这一环节。

2.微信的内容产品矩阵

此前微信的内容产品更多的是提供多入口的流量曝光，而在推出视频号和直播之后，都开

始尝试以“推荐”为形式的内容分发。

而这样的推荐，已经不仅仅是社交好友间的推荐，更多需要“平台”去介入。但是由于推

出了较多内容产品，不同的内容服务其内容源是不一