推荐技术在 vivo 互联网商业化业务中的实践

1. 推荐技术在vivo互联网商业化业务中的实践邵迪 vivo互联网技术总监

2.

3. • vivo互联网业务场景简介 • 推荐技术应用的挑战与突破 • 推荐技术在商业化业务实践 • 总结与展望

4. vivo不仅仅手机业务，也包含优质的互联网应用 vivo APP商店日活 7056万手机在网用户 2.8亿游戏中心日活 1488万浏览器信息流日活 9788万 i视频日活 1988万数据截止2022年6月

5. vivo不仅仅手机业务，也包含优质的互联网应用应用商店-首页推荐游戏中心-首页推荐浏览器-信息流推荐联盟-底部banner vivo短视频-内容推荐

6. vivo不仅仅手机业务，也包含优质的互联网应用用户 AI算法支撑业务创新适配商业生态影响公司的市场立足和发展内容生态影响着品牌的口碑和用户的留存策略共建输出平台挑战与机遇并存

7. • vivo互联网业务场景简介 • 推荐技术应用的挑战与突破 • 推荐技术在商业化业务实践 • 总结与展望

8. 挑战一：同时支持几十个APP，上百个场景算法服务丰富的生态应用，满足用户各类需求视频新闻资讯游戏电子书极大考验推荐系统的平台能力多样性 APP丰富带来需求多样、复杂长尾多除几款Top应用外，其它APP 搜索音乐商城 APP 商店金融 Jovi 助手类体量难以形成规模效应商业产品游戏联运、OCPC、CPD等商复杂业产品形态差异巨大

9. 挑战二：转化目标链路越来越深关注深度转化目标的效果付费 CVR 正例稀疏深核心关切 • • 次留激活、注册下载点击 CVR 浅样本空间少中短期兴趣 • • CTR • • 实时性高空间大

10. 挑战三：如何度量技术效果引入行业TOP团队作为对标标杆 vivo团队自研基础数据组件同步数据特征机器学习平台业务部门中立 OKR：收入 HDFS、SPARK、MR、 HBASE、FLINK等推荐系统召回、粗排、精排（CTR、CVR）、校准根据效果分配流量比例后验效果PK （ARPU、CPM、 CVR、CTR）标杆团队基础组件机器学习中台推荐系统召回、粗排、精排（CTR、CVR）、校准

11. 推荐技术应用的挑战与突破面对挑战，面对机遇，如何结合自身的后发优势，从而取得阶段性突破？统一推荐系统架构，落地行业算法，整体效果对齐行业标杆

12. 突破一：后发优势，构建统一推荐系统

13. 突破二：商业化效果追平甚至超越行业标杆

14. • vivo互联网业务场景简介 • 推荐技术应用的挑战与突破 • 推荐技术在商业化业务实践 • 总结与展望

15. 推荐技术在商业化业务实践 | 整体推荐架构

16. 推荐技术在商业化业务实践 | 训练框架

17. 推荐技术在商业化业务实践 | 训练框架参数服务器：千亿级别 • 异步计算&同步计算&在离线同步 • 减少跨物理机通信 • 优化梯度震荡 • 梯度： � � = � � � � � � = � � 1 + � − � �� 0, � • ， � >= 1 动态数据分片，降低拖尾 �

18. 推荐技术在商业化业务实践 | 预估架构分布式预估 • Feature Server独立（8%+） • Cross Ext-GPU （60%+） • Pooling op-GPU （40%+） • Pred-GPU （+25%~60%+） • 实时模型&增量更新 CPU：80c GPU：T4

19. 推荐技术在商业化业务实践 | 召回优化重定义目标，提高系统一致性基于曝光样本建模方案：简易精排模型问题：目标多&深，难以同精排对齐基于精排队列方案：一致性List-wise建模建模问题：场景多维护成本高；深度转化稀疏拟合不充分深度兴趣匹配方案：多任务weighted-loss建模建模优势：兼顾场景+目标提升稀疏目标贡献

20. 推荐技术在商业化业务实践 | 召回优化建模数据 • • • 指标 • 多场景联合建模正样本：深度兴趣过采样 • 负样本：多维度+多策略 • Loss = 时效性：10分钟级 • 时效性：10分钟级 � � � �=1 � � � � , � � , �: 场景数 • 离线： • topN交集率 • NDCG@K 在线：NDCG@1000

21. 推荐技术在商业化业务实践 | CTR优化（精排模型）建模数据 • • 多场景样本联合各场景统计数据指标 • • 离线： • AUC • 分桶一致性在线： • 曝光点击率 • 人均请求点击率 • Wide & Deep • Wide & 分场景Deep • 时效性：10分钟

22. 推荐技术在商业化业务实践 | CVR优化（精排模型） • 业务种类单一，目标较少 • 增加转化类型交叉 • 易于分析  目标越来越多，越来越精细

23. 推荐技术在商业化业务实践 | CVR优化（精排模型） • 各目标网络独立 • 各目标个性化slot • 丰富数据利于embedding学习  目标间的相关性关系对模型影响较大

24. 推荐技术在商业化业务实践 | CVR优化（精排模型） • 信息提取更充分 • 个性化门控 • 各目标间更好的共享信息 • 更好的缓解目标相关性冲突  在离线计算量增加

25. • vivo互联网业务场景简介 • 推荐技术应用的挑战与突破 • 推荐技术在商业化业务实践 • 总结与展望

26. 总结与展望总结  利用后发优势，通过构建统一的推荐系统应对多场景、多服务的问题  结合自身的场景业务特点，落地业内常见的多任务模型，解决目标多、链路深的问题  不断加强同标杆团队、业界其他兄弟团队的交流合作，优化整体算法+架构

27. 总结与展望展望  vivo互联网技术公众号图像、NLP等信息未直接参与到推荐技术的端到端学习中，存在信息损失  个人微信更好的运用知识推理、融合能力，推动更多的迁移学习能力在vivo商业化落地  持续进行数据、算法优化，降低数据安全（隐私）等问题对推荐系统的冲击影响推荐系统框架C++工程师  不断探索改善用户体验与商业化变现能力的平衡问题推荐算法工程师简历邮箱：di.shao@vivo.com

28.

29.

30. • Content Title 2 • Content Title 3 • Content Title 4 • Content Title 5 • Content Title 6

31.