機器學習在360手機助手的應用實踐
奇技指南
推薦作為解決信息過載以及挖掘用戶潛在需求的技術,目前已成為互聯網產品的標配。本文主要概述360手機助手推薦涉及的方面,包括業務場景的理解,推薦系統架構,以及系統架構中比較核心的推薦流程、數據倉庫建設以及線上分析監控。本文轉載自奇卓社。
引言
推薦作為解決信息過載以及挖掘用戶潛在需求的技術,目前已成為互聯網產品的標配。工業界最開始由亞馬遜使用協同過濾,包括常見的基於內容的推薦和基於用戶的推薦;接下來出現矩陣分解,將用戶行為矩陣分解為用戶矩陣和物品矩陣,根據用戶矩陣查找出最相關的TopK個物品;隨著廣告系統中CTR預估流程的日漸成熟,大部分推薦、搜索問題也轉化為CTR預估問題,這個時期常見的模型包括LR、FM、GBDT以及一些模型融合的嘗試(例如LR+GBDT[1]),這個時期難點是挖掘特徵,需要做大量的特徵工程;近幾年深度學習憑藉強大的表達能力和靈活的網路結構,在語音、圖像上取得突破,在推薦領域也大放光彩,Wide&Deep[2]、DeepFM[3]、DIN[4]等網路結構在CTR預估問題中取得不錯的效果。
在360手機助手產品中,首頁、遊戲頁和軟體頁App推薦以及App相關推薦等多個場景中,用戶下載App中推薦佔有較高的比重。為了提升用戶的黏度,360手機助手在產品中也加入資訊和遊戲視頻,如何更好的將App和內容進行混合,提升用戶的下載轉化和內容點擊,也是推薦的一個挑戰。本文主要概述360手機助手推薦涉及的方面,包括業務場景的理解,推薦系統架構,以及系統架構中比較核心的推薦流程、數據倉庫建設以及線上分析監控。