陌陌社交推荐：模型化召回技术的探索与实践

"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。