7M推荐系统 - S0 推荐业务，Feed流产品及推荐算法策略架

1 推荐业务

排序模型

• 召回->粗排->精排
  精排 y = model(user, item, context)
  粗排 y = model(item, context)
• 特征：
  item特征：统计特征，内容特征如title，标签，视频内容
  用户特征：统计特征，用户历史记录，用户本身的属性
• 特性
  短视频，每天新增1000万，资讯每天新增1亿
  latency不超过0.1秒

召回分支

• 召回方法
  多个召回merge成一个候选集
• 数据
  app客户端埋点 -> 用户产生点击，浏览，点赞，评论 -> 回传服务器 -> kafka，上传实时计算集群 -> label拼接，形成log，然后我们根据数据进行建模
• rerank
  规则打散，业务逻辑

产品视角

飘红点击率高10%
竖版（快手）比横版（头条）点击率高10%
一般基本有5个tab，但是微信只有4个tab
rerank根据产品和运营需求，比如强插美女视频，比如横版为竖版

推荐系统评估与实践

• 准确性
• AUC
• 冷启动：偏好：新用户冷启动倾向于热门，老用户更加需要长尾
  1.收集用户特征 使用X2I召回
  用户注册信息：性别，年龄，地域
  设备信息：定位，手机型号，app列表
  社交信息，推广素材，安装来源
  2.制造粗粒度选项，引导用户填写兴趣
  3.迁移学习，使用其他站点的行为数据

2 特征方法

item特征

item的类别和统计类特征
量纲和平滑
离散和连续特征和相互转化

用户特征

用户画像库和标签
U2I特征(某个userid买了多少itemid)，交叉特征(主要是id交叉)

数据的存储和使用

使用支持Map-Reduce的数据库进行存储比如hive，使用Mapper和Reducer
如果id都在一起的话，使用均匀哈希分桶和数据倾斜

• 离线
  在线（快）和离线（大）
  在线使用hbase存储数据
  在线和离线数据同步 hive数据同步到hbase
• 特征服务平台
  管理特征，特征共用，特征的生命周期，离线特征和实时特征

Embedding

one-hot representation 01
distributed representation 聚类

• Embedding多角度看，是映射
  FM 分解，对embedding二阶特征组合
  Word2vec 中间层
  Deeplearning 中间层

特征工程

简单模型+复杂特征
复杂模型+简单特征

• 线性模型的特征工程
  二阶特征和高阶交叉
  单变量的非线性变换
  特征预处理和归一化或者标准化（梯度）
• 缺失值
  直接填充
  中位数均值填充
• 特征选择
  方差过滤法
  相关系数法 协方差，卡方检验，互信息
  树模型的特征重要性
• 特征降维
  PCA
  SVD
  LDA
• 特征连续化
  embedding，空间变换
• 特征离散化
  手动分桶，自动分桶（GBDT+LR）
• ML Pipeline
  sklearn pipeline: fit和transform
• 样本不均衡怎么处理
  上下采样
  基于距离SMOTE-NC
  信息类 boosting思想