资讯信息流推荐系统：业务经验与挑战

"1-6+资讯信息流推荐一些业务经验.pdf" 本文主要探讨了资讯信息流推荐业务的特点、挑战以及推荐系统架构，并分享了如何优化用户满意度和模型性能的一些策略。 1. 资讯信息流分发业务特点 - 用户视角：目标是让用户在每次刷新时都能看到感兴趣的内容，从而最大化他们在使用App期间的满意度。 - 内容视角：内容需快速到达合适的人群，产生足够的影响力，同时考虑内容的时效性（生命周期长短）。 2. 推荐系统面临的难点 - 数据规模：处理海量的物品（Item）和用户（User），以及多样化的产品形态。 - 内容时效性：内容的有效期可能很短，需要快速响应。 - 用户满意度度量：建立合适的评测指标来衡量用户满意度。 - 内容质量评估：确定内容质量的标准和算法。 - 冷启动问题：新用户、新内容的推荐策略。 - 人工运营与机器智能的平衡：如何结合两者的优点进行推荐。 3. 推荐系统架构 - 包含召回层、精排序层和重排序层，其中涉及多种模型如FMPooling、Attention Layer等，以及不同的Dense层进行特征融合和决策。 - 增量更新和全量更新的训练策略：小时级的小批量样本用于增量训练，定期进行全量样本的全量更新以修正偏差。 - 使用PyTorch（GPU）和Spark（CPU）进行模型训练和样本处理。 4. 样本重权重（Reweight）策略 - 目标是在保持点击率的同时，最大化用户的持续使用时间（Session长度）。 - 通过对用户Session最后一刷的样本调整权重，对跳出率低的样本给予奖励，对跳出率高的样本进行惩罚。 - 通过实验，该方法改进了点击率并提高了刷新次数，线上AB测试显示提升了1%以上的效果。 5. 权衡各种指标 - 系统需要一组科学的衡量指标，这些指标之间可能存在冲突，如点击率和用户停留时间的平衡。 资讯信息流推荐业务需要综合考虑用户体验、内容特性、技术架构和优化策略，通过精细的模型调整和运营策略来提高整体性能和用户满意度。在实践中，不断试错和迭代是推动系统进步的关键。