陌陌社交推荐:模型化召回技术的探索与实践
版权申诉
143 浏览量
更新于2024-07-05
收藏 15.73MB PDF 举报
"3-9+模型化召回在陌陌社交推荐的探索和应用"
陌陌,作为一家自2011年成立以来迅速崛起的社交平台,已经在2014年于美国纳斯达克上市,股票代码MOMO。自那时起,其月活跃用户数量持续增长,尤其在2018年收购探探后,月活用户突破1.08亿,巩固了其在开放式社交领域的领导地位。陌陌的核心社交场景包括“附近动态”和“附近的人”,前者通过用户动态内容进行社交匹配,后者则依赖地理位置来建立联系。
模型化召回技术是推荐系统中的一个重要概念,与传统的个性化召回方法相比,它提供了更先进的召回策略。传统的召回方法如重定向召回、协同过滤类召回和标签偏好类召回,而模型化召回则涵盖了图表征召回、浅层模型化召回、深度匹配模型化召回以及内容语义模型化召回等更复杂的方法。
模型化召回的基本框架通常包括两个主要阶段:线下召回模型学习和线上ANN(近似最近邻)检索系统。在学习阶段,利用用户平台日志数据训练内容语义模型、行为偏好模型和关系匹配模型,生成ITEM和USER的表征向量。然后,通过诸如PQ、Ball-Tree、LSH或HNSW等在线检索技术,实现对用户请求的快速近似TopN召回。这一领域的研究文献,如微软的Deep Structured Semantic Models、谷歌的Deep Neural Networks for YouTube Recommendations、Facebook的Collaborative Multi-modal Deep Learning、Airbnb的Real-time Personalization以及Web-Scale的Graph Convolutional Neural Networks,都为模型化召回提供了理论支持和技术实践。
在陌陌的实践中,模型化召回技术被应用于社交推荐,旨在更好地理解用户的行为、兴趣和社交关系,以提供更加精准和个性化的推荐。这不仅提高了用户体验,也增强了平台的用户粘性。未来,随着技术的不断进步,模型化召回将在社交推荐领域有更深入的应用,如更高效的表征学习、更精确的匹配算法以及对多模态信息的更好利用,以适应日益复杂的社交网络环境。
2022-03-18 上传
2022-03-18 上传
2022-03-18 上传
6342 浏览量
1957 浏览量
1111 浏览量
829 浏览量
2268 浏览量
2169 浏览量
普通网友
- 粉丝: 12w+
- 资源: 9195
最新资源
- C++ Qt影院票务系统源码发布,代码稳定,高分毕业设计首选
- 纯CSS3实现逼真火焰手提灯动画效果
- Java编程基础课后练习答案解析
- typescript-atomizer: Atom 插件实现 TypeScript 语言与工具支持
- 51单片机项目源码分享:课程设计与毕设实践
- Qt画图程序实战:多文档与单文档示例解析
- 全屏H5圆圈缩放矩阵动画背景特效实现
- C#实现的手机触摸板服务端应用
- 数据结构与算法学习资源压缩包介绍
- stream-notifier: 简化Node.js流错误与成功通知方案
- 网页表格选择导出Excel的jQuery实例教程
- Prj19购物车系统项目压缩包解析
- 数据结构与算法学习实践指南
- Qt5实现A*寻路算法:结合C++和GUI
- terser-brunch:现代JavaScript文件压缩工具
- 掌握Power BI导出明细数据的操作指南