转载请注明出处：http://blog.csdn.net/gamer_gyt
博主微博：http://weibo.com/234654758
Github：https://github.com/thinkgamer
公众号：搜索与推荐Wiki

个人网站：http://thinkgamer.github.io

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

     

个人网站：          文艺与Code | Thinkgamer的博客
CSDN博客：       Thinkgamer技术专栏
知乎：                 Thinkgamer
微博：                 Thinkgamer的微博
GitHub：             Thinkgamer的GitHub
微信公众号：      数据与算法联盟（DataAndAlgorithm）