TensorFlow Ranking框架在海外推薦業務中的實踐與應用

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":"center","origin":null},"content":[{"type":"text","marks":[{"type":"strong"}],"text":"前言"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"在當今互聯網世界,推薦系統在內容分發領域扮演着至關重要的角色。如何儘可能的提升推薦系統的推薦效果,是每個推薦算法同學工作的核心目標。在愛奇藝海外推薦業務,引入TensorFlow Ranking(TFR)框架,並在此基礎上進行了研究和改進,顯著提升了推薦效果。本文將分享TFR框架在海外推薦業務中的實踐和應用。"}]}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"heading","attrs":{"align":null,"level":2},"content":[{"type":"text","text":"01 算法的迭代:從傳統CTR預估到LTR"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"長期以來,在推薦系統排序階段廣泛應用的CTR預估算法的研究重點在於,如何更加準確的估計一個用戶對於一個item的點擊概率。在這類算法中,我們將一組同時曝光在用戶面前的items,當做一個一個單獨的個例看待,將用戶的特徵、環境特徵和一個一個item 的特徵分別組合成爲一條條訓練數據,將用戶對這個item的反饋(點擊、未點擊、播放時長等)作爲訓練數據的標籤。這樣看似合理的問題抽象其實並不能準確的表徵推薦場景。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"type":"text","text":"嚴格來講,排序問題的本質(尤其是以瀑布流形式呈現的業務)並不是研究估計一個用戶對於一個單獨的item的點擊概率,而是研究在一組items同時曝光的情況下,用戶對這組items中哪個的點擊概率更大的問題。"}]},{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null}}]}
發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章