2020年终大会-推荐算法：3-3.pdf

《2020年终大会-推荐算法：3-3.pdf》由会员分享，可在线阅读，更多相关《2020年终大会-推荐算法：3-3.pdf（26页珍藏版）》请在三个皮匠报告上搜索。

1、Alibaba Group阿里巴巴集团EdgeRec 边缘计算在推荐系统中的应用龚禹阿里巴巴淘系推荐技术团队2020.12.19#page#ERoad Map喜早人端上重排系统端上混排系统端上训练与千人干模#page#Alibaba Group阿里巴巴集团背景#page#周里巴巴边缘计算v.S.云计算Y Overload on Cloud互联网应用及用户规模爆炸式增长5G普及、带宽增加存储压力大规模神经网络模型计算压力Cloud computing巨大的通信开销交互和体验瓶颈运维成本和故障风险新楼6VAdvantages on Edge终端设备的存储计算能力快速发展Edgecomputing数

2、据本地化：解决云存储及隐私问题计算本地化：解决云计算过载问题Edge Computing: Bring Code to Data低通信成本：解决交互和体验问题去中心化计算：故障规避与极致个性化临近高带低延隐私性宽时性#page#重新思考工业界信息流推荐？SEQ1：区别于学术界基于MovieLens等的评分（或点击率）预测任务信息流推荐是一个人机交互的系统并有无法忽略的上下文环境Q2：信息流推荐的目标（如：浏览量PV、点击量IPV、成交量GMV）和传统搜索引擎的目标（如：相关性）的不同信息流推荐系统强调整体收益最大化微详情页短视频首页页信息流#page#E推荐系统新架构云端召回粗排精排重/混排个

3、性化检索效率预估展现决策云推荐接入场景螺上推荐系统推荐统一接入场景智能请求谣上重-混排商品重排名备失理租装租精排混择/重排/定坑将建返回提果传统推荐系统架构端-云协同的推荐系统架构#page#Alibaba Group阿里巴巴集团端上重排系统#page#业务问题推荐系统输入/反馈时效分页请求机制导致策略调整不及时Cloud Server实时行为特征延退Feature System用户行为特征粒度粗用户偏好的变化与推荐系统对用户感知和对内容的调整时机并不能匹配，会出现推荐的内容并非用户当前时刻想要的，用户浏览和点击意愿都会下降。MatchingModels首销分坑位CtRankingModels

4、RecommenderSystem基于Client-and-Server的推荐架构城位首页猜你喜欢分坑位点击率统计#page#L端上实时用户感知背景，解决用户行为延迟和粒度粗的问题正反负反交互个性实时思考化馈馈动作性，用户行为数据对于“个性化”的意义，参考DIN等工作之前的工作一般只考虑用户和商品的“正反馈”交互（如点击、成交），很少考虑到“负反馈”交互（如暖光）实时的“负反馈”交互也很重要，比如：商品类目多次噪光后，点击率会明显下降需要考虑用户和商品的“交互动作”，比如：点击后在详情页的行为反应对商品真正的偏好，可能存在“伪”点击用户在信息流推荐场景的“实时行为”相对于用户的“长期行为”同样

5、重要难点如何对端上的用户异构行为进行序列建模？如何优化端上序列模型推理的性能？#page#27端上实时用户感知详情页特征端上用户实时行为特征体系建设特征名备注，20+种细粒度用户行为动作特征detaiDuration详情页停留时长detalCart是否加购detaiiBuy嘎光特征是否购买含义detailFav是否收藏特征名detaiComment进入评论曝光时长exposeDurationdetaiwDJ进入问大家螺光次数exposeCount进入选择区块detailSKU滚动速度（最小、最大、平均）scrolSpeeddetaiDetailpics进入详情区块（点tab、点详情图片用配件滚

6、动时长（最小、最大、平均）scroliDurationdetaShop所有进入店铺的方式滚动次数ScrolICountdetailRec点推荐deleteltem删除原因：0.未删除1.不喜欢商品detaiSkuDuration在SKU界面的停留时长2.删除类目3.图片引起不适detalProductDuration在宝贝详情界面的停留时长isClick是否点击detailRecommendDuration在宝贝推荐界面的停留时长2.099exposeDecay距离当前的时间间隔detaiDecay进详情页到目前的时间间限1）商品爆光行为动作特征2）商品点击后详情页行为动作特征#page#li