推荐技术在 vivo 互联网商业化业务中的实践

如果无法正常显示,请先停止浏览器的去广告插件。
分享至:
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.

trang chủ - Wiki
Copyright © 2011-2024 iteam. Current version is 2.137.3. UTC+08:00, 2024-11-29 03:45
浙ICP备14020137号-1 $bản đồ khách truy cập$