荔枝推薦在UGC內容平臺的挑戰
UGC平臺的特點
主UGC+PGC— 生產者多，體系豐富，內容多，質量層次不齊
新增強勁 —每天上傳的內容很多
UGC積累——歷史積累內容多
平臺價值觀
選擇一個賽馬機制+普惠價值觀；推薦系統從長遠目標裏去完善落實這個價值觀。
- 賽馬機制：
我們想構造 一個社區 ，主播們都是平等，都是有機會成長，就像這個社會可以有出頭的機會，我們想做的就是幫助他們成長，大浪淘沙，也有人落敗下來；
- 普惠：
每個人都有機會被分發。。
推薦要解決的哪些問題？
推薦系統想要解決的問題---在用戶、主播、平臺，3者達到一個最大化的收益
用戶—找到他喜歡的內容，興趣的發現，消費內容或者社交
主播—發現優質主播，得到用戶的互動，金錢的收益的激勵，不斷成長 ？
平臺—用戶與主播的活躍，並給平臺帶來的收益
推薦基本原則取向
- 偏向活躍的主播
- 偏向新發布的內容
- 保持多樣的內容，覆蓋更多用戶羣體
- 用戶喜歡的內容
推薦場景問題定義：流量分發優化+匹配問題？
推薦池+評價系統：收益的計算，內容的評價，推薦池的進入與淘汰機制
用戶側-匹配：用戶與內容的匹配，提高用戶的點擊率，時長，留存；
如何從百萬級裏—》千級別-》百級—》十級別的過程 ，不斷找到用戶匹配的內容
- 多路召回
內容召回—興趣召回，實體召回
協同召回-- youtube_cf
向量召回:w2v-->混合w2v-->圖模型向量召回
深度學習模型召回：dssm
- 排序
lr—>xgboost—>dnn—>w&d
- 主播側：
新主播-發現與爬坡
老主播—評價
- 平臺流量分配：流量—》收益最大化；解決生態主播成長問題
流量有限，如何做到收益最大化？
保證每個作品一定曝光量的前提下最大化全局收益
如何高效？
就是要打造一個舞臺，所有人都可以在上面表演，但還要可以給表演者科學的打分。
所以就有不斷演進打造一個強大的平臺的目標：實驗平臺、策略平臺、機器學習平臺、搜索平臺；
打造強大的推薦系統
強大的平臺：實驗平臺、策略平臺、機器學習平臺、搜索平臺；
易用的實驗分析工具：數據與實驗平臺打通，自動發現策略好壞
完備的評估體系：
用戶：短期長期指標，點擊率，播放時長 ，互動率，留存
生態指標：頭腰尾數據，流量，時間 分佈，生產者留存
推薦系統輔助健康指標—多樣性，基尼係數，新穎度
2018到2019年，荔枝推薦平臺架構演進
