6月21日，WOT2019全球技術(shù)峰會(huì)暨全球人工智能技術(shù)峰會(huì)在北京粵財(cái)JW萬豪酒店隆重舉行。本次峰會(huì)圍繞人工智能領(lǐng)域的通用技術(shù)、應(yīng)用領(lǐng)域以及企業(yè)賦能三大主題展開，每個(gè)主題設(shè)置四大專場，涵蓋機(jī)器學(xué)習(xí)實(shí)踐、知識(shí)圖譜技術(shù)、AI智造、智能安防、智能金融、智能商業(yè)創(chuàng)新、智能行業(yè)賦能等，共計(jì)12大專場，42個(gè)話題的分享與討論。6月21日下午，通用技術(shù)主題峰會(huì)正式拉開帷幕，機(jī)器學(xué)習(xí)實(shí)踐、搜索推薦算法、知識(shí)圖譜技術(shù)、NLP和語音識(shí)別四大專場同時(shí)進(jìn)行，十幾位講師為與會(huì)嘉賓帶來精彩的技術(shù)分享。

　　當(dāng)前，基于人工智能的搜索推薦算法逐漸占據(jù)上風(fēng)。如何結(jié)合自身業(yè)務(wù)數(shù)據(jù)的特點(diǎn)，設(shè)計(jì)合適的深度推薦與搜索算法，同時(shí)設(shè)計(jì)合理的架構(gòu)保證算法的穩(wěn)定運(yùn)行，是搜索推薦算法專場的主要關(guān)注點(diǎn)。在6月21日下午的搜索推薦算法分論壇上，來自第四范式推薦業(yè)務(wù)算法團(tuán)隊(duì)負(fù)責(zé)人程曉澄、荔枝FM推薦系統(tǒng)架構(gòu)師莊正中和金山西山居游戲AI技術(shù)專家黃鴻波，從不同的應(yīng)用場景出發(fā)，詳細(xì)解讀了搜索推薦算法在不同領(lǐng)域的實(shí)踐應(yīng)用與落地案例。

　　程曉澄：搭建現(xiàn)代推薦系統(tǒng)需要邁過哪些難關(guān)

　　作為本場論壇的首位演講嘉賓，第四范式推薦業(yè)務(wù)算法團(tuán)隊(duì)負(fù)責(zé)人程曉澄帶來了《搭建現(xiàn)代推薦系統(tǒng)需要邁過哪些難關(guān)》的主題分享，介紹了當(dāng)前推薦系統(tǒng)如何同時(shí)服務(wù)于用戶增長、商業(yè)變現(xiàn)、用戶體驗(yàn)等多元化的目標(biāo)，闡述了推薦系統(tǒng)各模塊的發(fā)展現(xiàn)狀，以及各個(gè)環(huán)節(jié)工程落地的難點(diǎn)。

　　推薦系統(tǒng)對(duì)商業(yè)效率的提升已有諸多驗(yàn)證，在內(nèi)容閱讀場景中，通過推薦系統(tǒng)讓產(chǎn)品流量和收入大幅提升的案例不乏少數(shù)。隨著推薦系統(tǒng)的發(fā)展和成熟，商業(yè)應(yīng)用對(duì)推薦系統(tǒng)提出了更高的要求。

　　程曉澄表示，推薦是門檻相對(duì)較高的技術(shù)，從頭開始起步難度較高，而通過云服務(wù)的推薦系統(tǒng)，可以幫助其他企業(yè)快速布局推薦業(yè)務(wù)，提升他們的轉(zhuǎn)化和收入。他認(rèn)為，要把推薦做成一個(gè)比較先進(jìn)的系統(tǒng)，需要分成三個(gè)維度：一是從業(yè)務(wù)維度看核心算法;二是從算法維度看怎樣服務(wù)好目標(biāo);三是從工程落地維度看最核心的內(nèi)容是什么。

　　在接下來的時(shí)間里，程曉澄從業(yè)務(wù)語言講起，詳細(xì)介紹了推薦系統(tǒng)的搭建過程。

　　程曉澄表示，大部分需要推薦的場景、推薦的產(chǎn)品，追根溯源到商業(yè)模式上就是流量變現(xiàn)，流量變現(xiàn)又分為流量和商業(yè)目標(biāo)兩個(gè)部分。從流量角度來講，就是指產(chǎn)品有多少人使用，使用時(shí)間是多長;從商業(yè)目標(biāo)來講，就是在流量基礎(chǔ)上實(shí)現(xiàn)了多少收入。程曉澄強(qiáng)調(diào)，可以把流量變現(xiàn)看成一個(gè)漏斗，上層要有大量數(shù)據(jù)，有了數(shù)據(jù)量才能更快的出效果。接下來，必須要做好產(chǎn)品，并根據(jù)用戶的行為進(jìn)行精準(zhǔn)的內(nèi)容推送，提高產(chǎn)品體驗(yàn)，關(guān)注產(chǎn)品增長。完成這兩步之后，就需要考慮產(chǎn)品變現(xiàn)了，這就需要對(duì)付費(fèi)項(xiàng)目進(jìn)行優(yōu)化，把算法能力輸出到廣告場景上，以此來提高點(diǎn)擊率、轉(zhuǎn)化率等等。

　　從算法角度來講，召回、模型、干預(yù)是最基本的三步推薦流程。推薦就是指選出適合用戶的時(shí)段進(jìn)行推薦，占滿一屏內(nèi)容;模型是指算法工程師根據(jù)業(yè)務(wù)去建立一套算法模型，并根據(jù)不同業(yè)務(wù)采用不同的算法模型。最后，要在業(yè)務(wù)的各個(gè)環(huán)節(jié)中實(shí)施干預(yù)。

　　程曉澄表示，一個(gè)成功的推薦系統(tǒng)一要對(duì)目標(biāo)的設(shè)定足夠清晰，且目標(biāo)要衡量、要量化;二是推薦的物料要足夠豐富;三是對(duì)產(chǎn)品的指標(biāo)和優(yōu)化要有一定層次的理解。他強(qiáng)調(diào)，從方法論來講，推薦應(yīng)該尊重經(jīng)驗(yàn)進(jìn)行優(yōu)化，因?yàn)樗惴ㄊ且粋€(gè)實(shí)驗(yàn)科學(xué)，對(duì)好的項(xiàng)目來講每個(gè)idea來自于觀察提出的假設(shè)，基于假設(shè)想出的一個(gè)優(yōu)化方案策略，而這個(gè)策略是否真的生效，最終還需要驗(yàn)證。所以，一個(gè)理想的、高效的場合，能夠同時(shí)進(jìn)行幾個(gè)或者十幾個(gè)實(shí)驗(yàn)同時(shí)在線上跑。

　　莊正中：荔枝APP的UGC推薦系統(tǒng)探索與實(shí)踐

　　接下來，荔枝FM推薦系統(tǒng)架構(gòu)師莊正中帶來了《荔枝APP的UGC推薦系統(tǒng)探索與實(shí)踐》的主題演講。他首先介紹了荔枝的推薦理念，以及內(nèi)容理解、用戶理解、算法模型和交互設(shè)計(jì)四大關(guān)注點(diǎn);隨后介紹了荔枝推薦系統(tǒng)的主要架構(gòu)，在音頻推薦系統(tǒng)建設(shè)中遇到的難點(diǎn)和應(yīng)對(duì)策略，以及提取音頻內(nèi)容特征和新聲音發(fā)現(xiàn)機(jī)制。

　　莊正中表示，作為一家以音頻為媒介傳播的UGC平臺(tái)，公司對(duì)于平臺(tái)推薦的理念有三個(gè)方面的理解：一是帶用戶聽見世界;二是發(fā)現(xiàn)用戶聲音的才華;三是讓用戶更輕松的表達(dá)自己的聲音。以帶用戶聽見世界為例，其實(shí)就是建立用戶到內(nèi)容的連接，可以把推薦系統(tǒng)看成點(diǎn)到點(diǎn)的圖模，把用戶看成一個(gè)結(jié)點(diǎn)，推薦系統(tǒng)要做的事情就是把更多的用戶結(jié)點(diǎn)，連接上更多的內(nèi)容結(jié)點(diǎn)，同時(shí)讓用戶結(jié)點(diǎn)產(chǎn)生觀眾，增加結(jié)點(diǎn)之間的數(shù)量和長度。在這個(gè)過程中，推薦算法是推薦系統(tǒng)中間的一個(gè)環(huán)節(jié)。

　　而關(guān)于發(fā)現(xiàn)聲音的才華，就是讓用戶利用平臺(tái)來展現(xiàn)自己，表現(xiàn)自己的才華。由于每天都會(huì)產(chǎn)生很多新用戶，就要解決資源與用戶需求分配的問題，所以推薦算法怎樣最合理的去分配固定資源，使得平臺(tái)整體收益最大化，這就是算法所做的工作。

　　在接下來的時(shí)間里，莊正中結(jié)合荔枝的一些實(shí)踐，從音頻處理、探索新應(yīng)用、發(fā)現(xiàn)聲音的價(jià)值三個(gè)方面深入解讀了荔枝推薦的一些做法和經(jīng)驗(yàn)。他表示，在算法上荔枝更加關(guān)注怎樣幫助長尾新內(nèi)容的發(fā)掘更加公平，因?yàn)楹芏嗤扑]算法的長尾能力很差，熱度效應(yīng)很重，會(huì)不斷的強(qiáng)化系統(tǒng)的馬太效應(yīng)，會(huì)非常依賴頭部主播，因此對(duì)內(nèi)容提出了動(dòng)態(tài)權(quán)重。在內(nèi)容理解和新內(nèi)容發(fā)現(xiàn)上，首先通過不同的算法進(jìn)行語音識(shí)別，然后對(duì)內(nèi)容進(jìn)行分類處理，再次設(shè)定不同的關(guān)健詞以方便搜索，最后是對(duì)內(nèi)容進(jìn)行重新定義，適合什么樣的場景、什么樣的人群聽。

　　據(jù)莊正中介紹，荔枝會(huì)通過二個(gè)體系來分析新內(nèi)容的好壞，一是主播的價(jià)值體系，所有用戶的行為反饋都會(huì)反向到主播身上，用來評(píng)價(jià)主播好壞;二是塑造漏斗模型，不斷把粉絲的內(nèi)容和用戶吸引過來。

　　據(jù)了解，荔枝的發(fā)現(xiàn)系統(tǒng)(即推薦系統(tǒng))首先會(huì)進(jìn)行內(nèi)容分析和流量測試，通過配制不同的流量測試通道在不同的引擎曝光，每個(gè)引擎用算法同時(shí)提供。對(duì)于算法的好壞，會(huì)有兩個(gè)判斷指標(biāo)，一是CTR有沒有達(dá)到平均值，二是對(duì)內(nèi)容進(jìn)行評(píng)估。當(dāng)然，這些都是由數(shù)據(jù)分析來支撐的，因此能否保證數(shù)據(jù)的實(shí)時(shí)性，能否收集到想要的數(shù)據(jù)，數(shù)據(jù)的正確性是否能夠保證，都是基于內(nèi)容的推薦算法。

　　最后，莊正中從一個(gè)新節(jié)目的制作過程，詳細(xì)介紹了推薦算法的實(shí)施過程，并著重介紹了一些典型的推薦策略，例如用強(qiáng)化學(xué)習(xí)應(yīng)對(duì)用戶興趣探索的Explore&Exploit算法，采用DSSM做長尾召回的嘗試，參數(shù)降維的FFM排序算法，產(chǎn)品運(yùn)營策略+機(jī)器學(xué)習(xí)的融合模型排序等。莊正中表示，推薦系統(tǒng)的最終目標(biāo)是讓主播覺得有希望，讓用戶發(fā)現(xiàn)新內(nèi)容，最后衡量內(nèi)容的好壞，衡量系統(tǒng)的多樣性，這即是荔枝推薦系統(tǒng)的一個(gè)公平性的指標(biāo)。

　　黃鴻波：推薦系統(tǒng)在“劍網(wǎng)3推欄”項(xiàng)目中的落地

　　作為壓軸分享嘉賓，金山西山居游戲AI技術(shù)專家黃鴻波分享了推薦系統(tǒng)在“劍網(wǎng)3推欄”項(xiàng)目中的落地經(jīng)驗(yàn)。他表示，游戲娛樂也是推薦系統(tǒng)的重要應(yīng)用場景之一， “劍網(wǎng)3推欄”是《劍網(wǎng)3》玩家首選的娛樂聚集地，集官方資訊、趣味內(nèi)容、玩家社交、創(chuàng)作分析、專業(yè)工具、游戲視頻和輔助工具于一體，提供實(shí)時(shí)專業(yè)的競技數(shù)據(jù)，游戲互通的社交服務(wù)APP。

　　黃鴻波圍繞特征選取、離線計(jì)算和在線預(yù)測三大階段，分享了如何進(jìn)行千人千面、個(gè)性化的消息推薦，并結(jié)合“劍網(wǎng)3推欄”項(xiàng)目的落地經(jīng)驗(yàn)，詳細(xì)講解了推薦系統(tǒng)的架構(gòu)、流程，總結(jié)了常見的各種問題和破解方法。

　　“劍網(wǎng)3推欄”的推薦系統(tǒng)架構(gòu)流程是用戶進(jìn)入AI交互界面之后，每次點(diǎn)擊或者評(píng)論，都會(huì)記錄用戶的行為，并把用戶行為放到數(shù)據(jù)中臺(tái)中，進(jìn)行數(shù)據(jù)存儲(chǔ)和整合，包括在線行為和離線行為;之后，通過一套專業(yè)算法對(duì)在線和離線數(shù)據(jù)進(jìn)行計(jì)算;最后，將計(jì)算結(jié)果進(jìn)行排序。黃鴻波表示，推欄推薦系統(tǒng)架構(gòu)會(huì)遵循多模型聯(lián)合分?jǐn)?shù)歸一化策略。據(jù)介紹，所謂歸一化就是指把所有值壓縮到一個(gè)相同的區(qū)間內(nèi)，保證數(shù)據(jù)在同一個(gè)可以被比較的區(qū)間中進(jìn)行比較，進(jìn)行倒敘排序，并得到最終結(jié)果。

　　通過推欄推薦系統(tǒng)架構(gòu)流程，劍網(wǎng)3的點(diǎn)擊率提高了53%，閱讀率提高了11%，定贊數(shù)達(dá)到了15%，評(píng)論數(shù)達(dá)到了4%，收藏量達(dá)到了22%。

　　在演講最后，黃鴻波重點(diǎn)分享了召回結(jié)果不均衡的問題及解決策略。他表示，召回結(jié)果不均衡主要是召回?cái)?shù)量過多和召回?cái)?shù)量過少，“劍網(wǎng)3推欄”的解決策略是使用多模型聯(lián)合，由于每種模型都有一個(gè)數(shù)據(jù)級(jí)結(jié)果，且數(shù)據(jù)級(jí)結(jié)果的交集點(diǎn)擊率會(huì)相對(duì)較高，因此可以通過多模型聯(lián)合分?jǐn)?shù)歸一化策略進(jìn)行排序和補(bǔ)充。如果召回?cái)?shù)量過多，可以按照分?jǐn)?shù)從后到前刪除。如果召回?cái)?shù)量過少，根本原因是由于模型質(zhì)量導(dǎo)致，這時(shí)可以通過增加召回算法和擴(kuò)大參數(shù)，用增量緯度等方式使召回算法由少變多，對(duì)召回?cái)?shù)量進(jìn)行補(bǔ)充之后，再使用排序策略進(jìn)行排序，得到想要的結(jié)果。