feed流个性化推荐架构和算法分享

最新推荐文章于 2024-03-27 15:39:40 发布

Mr_哲

最新推荐文章于 2024-03-27 15:39:40 发布

阅读量9.3k

点赞数 3

分类专栏： algorithm 文章标签：推荐系统 Deep Interest Network 规则混排

本文链接： https://blog.csdn.net/baymax_007/article/details/89853030

版权

algorithm 专栏收录该内容

14 篇文章 1 订阅

订阅专栏

一、场景

1. 应用场景

2. feed流资讯应用场景

二. 架构

1. 物理架构

2. 逻辑架构

三、召回算法

1. 用户画像

2. tag热度（tagCtr）

3. LBS/时间轴

4. 关键词标签

5. 主题标签

6. 语义标签

7. 协同过滤

8. SimRank

9. BERT

10. FFM

11. Deep & Wide

四、排序算法

1. LR

2. FM/FFM

3. GBDT+LR

4. XGBOOST

5. DEEPFM

6. DIN

6.1 数据探索

6.2 模型区别

五、策略

1. 二次曝光

2. 规则混排

3. 负反馈

4. 算法降级

5. 兴趣探索

推荐系统从诞生之初，就是为了解决信息过载问题。经过几年发展，已经广泛应用于互联网各大场景中。本文主要从场景、架构、算法和策略四部分展开阐述。

一、场景

1. 应用场景

行业分类	场景	代表产品	优化目标
资讯	首页feed流资讯推荐详情页相似推荐	今日头条	ctr、staytime
电商	首页feed流商品和专场推荐推荐猜你喜欢商品详情页推荐加购相似推荐	淘宝、京东	gmv、cvr、ctr
社交	相似好友推荐	微信、QQ	uv
短视频/音乐	视频和音乐推荐	抖音、网易云音乐	staytime
生活服务	商家推荐	美团点评	ctr、cvr、gmv
竞技游戏	段位匹配	王者荣耀	胜率50%

三、召回算法

2. tag热度（tagCtr）

根据一级tag、二级tag和三级tag选取对应tag下topN（热度）item作为候选集

四、排序算法

6. DIN

6.1 数据探索

Diversity

用户兴趣比较广泛，男性用户对游戏、篮球和财经都感兴趣。

Local activiation

用户当前的点击行为，只与过去某些行为有关，而非所有。如男性点击游戏内容，并不与过去点击篮球和财经有关。如下：

$V_{u}=f(V_{a})=\sum_{i=1}^{N}w_{i}*V_{i}=\sum_{i=1}^{N}g(V_{i},V_{a})*V_{i}$

其中，假设用户的兴趣的Embedding是 $V_{u}$ ，候选广告的Embedding是 $V_{a}$ ，用户兴趣和候选的广告的相关性可以写作 $F(U,A)=V_{a}*V_{u}$ 。如果没有Local activation机制的话，那么同一个用户对于不同的广告， $V_{u}$ 都是相同的。举例来说，如果有两个广告A和B，用户兴趣和A，B的相似性都很高，那么在 $V_{a}$ 和 $V_{b}$ 连线上的广告都会有很高的相似性。