微博个性化Push：机器学习驱动的用户召回与内容推送

在"2018年SMP2018-第七届全国社会媒体处理大会"上，李金奎，来自微博机器学习研发部的专家，深入探讨了机器学习在微博个性化推送（Push）中的应用。该主题聚焦于如何利用机器学习技术提升社交媒体服务的个性化体验，特别是在微博这样的大规模用户平台上。 首先，李金奎介绍了推送到微博用户的场景。微博自2009年上线以来，用户规模持续增长，从2013年的1.29亿MAU（月活跃用户）和6100万DAU（日活跃用户），到2018年第一季度的4.11亿MAU和1.84亿DAU，显示出强大的用户基础。推送给用户的目的是为了实现高效用户召回，通过推送用户可能感兴趣的内容，如重大事件、区域新闻、关注者动态和兴趣点内容，来增加用户活跃度并保持用户规模。 在个性化推送方面，机器学习发挥关键作用。它涉及到CTR（点击率）预估，包括召回、排序和策略制定。基础过滤、实时数据、运营审核以及物料选择是整个过程中的重要环节。个性化推送依赖于用户的信息，如行为历史、兴趣标签、社交网络关系、地理位置、设备信息等。通过博文标签、Topic分析和向量表示来理解用户的偏好，同时考虑用户的互动率、打开率等指标，构建了全面的用户特征体系。 个性化Push的机器学习架构包括用户特征（如uid2uid互动和社交关系）、实时特征（如推送时间、LBS位置信息）、以及兴趣特征（如体育、财经等话题相关）。物料模型和排序模型被用来选择和排列推送内容，博主打开率也被纳入考量，同时结合热点发现、基础数据处理和特征工程，构建出能够预测用户反应的模型。排序策略和曝光数据的分析有助于优化推送效果，而互动和打开数据则是衡量模型性能的重要指标。 总结来说，SMP2018大会上的研究展示了机器学习如何通过精细化的数据分析和智能算法，实现微博个性化推送的精准定位和优化，从而提升用户体验和平台活跃度。这个案例突显了数据挖掘和机器学习在现代社交媒体运营中的核心价值。