QCon-爱奇艺推荐中台探索与实践_张时骏-2019.10-39页_6mb

爱奇艺推荐中台探索与实践总结

核心内容概述

爱奇艺推荐中台旨在通过统一架构和工具，为公司内部各业务团队提供高效、低成本的推荐服务。该中台整合了多种推荐形式、实体类型和需求场景，实现了推荐系统的标准化和模块化，以提升整体业务效率和推荐效果。

主要观点

• 推荐形式多样化：包括个性化推荐、信息流推荐、相关推荐、主题推荐等，每种形式都有其特定的应用场景和用户需求。
• 推荐实体差异大：涵盖竖屏小视频、横屏视频、图文、漫画、直播等多种内容类型，每种类型在数据结构和特征上有不同要求。
• 推荐需求复杂多变：业务方对推荐系统的需求存在显著差异，需灵活调整策略和算法以满足不同场景。
• 统一接口与流程：通过定义通用参数和统一推荐流程，降低业务方对接成本，提升系统兼容性。
• 统一实体字段：建立通用字段定义，映射不同业务方的原始字段，确保数据一致性。
• 统一特征工程：提供通用特征如展示量、点击率、热度等，同时支持业务方自定义特征，增强灵活性。
• 入场规则脚本与过滤插件：允许业务方提供过滤规则，实现内容的动态筛选和个性化推荐。
• 可配置化设计：推荐系统具备高度可配置性，便于根据不同业务需求快速调整策略。
• 显著提升效果：通过推荐中台的实践，业务对接效率提升了30%以上，推荐效果也得到了明显优化。

关键信息

推荐中台背景

• 需求堆积：推荐业务需求繁多，业务方重复开发推荐系统，导致资源浪费和效率低下。
• 业务隔离：各业务团队在推荐系统上有各自的实现方式，缺乏统一标准。
• 数据规范缺失：数据结构和字段定义不统一，影响推荐系统的数据处理和分析效率。

推荐中台架构

• 多端适配：支持APP、PC、H5、PAD、VR、TV等多种终端，满足不同用户场景。
• 推荐池合并：将不同业务的推荐池统一管理，提升资源利用率和推荐效果。
• 内容理解模块：包括内容解析、特征工程、算法模型等，实现对推荐内容的深度理解和分析。
• 推荐引擎：支持多种推荐算法，如Logistic Regression、Factorization Machines、GBDT、Wide & Deep、DeepFM等，满足不同推荐场景。

推荐中台实践

问题一：推荐形式不同

• 解决方案一：统一接口：定义通用参数，如area、passport_id、device_id等，支持多种推荐形式。
• 解决方案一：统一流程：建立统一的推荐流程，确保各业务方在相同框架下进行推荐。
• 解决方案一：召回仓库：整合多种召回策略，如热门召回、标签召回、协同召回、主题召回、地域召回、向量召回等，提升推荐多样性。
• 解决方案一：模型仓库：提供多种推荐模型，支持业务方根据需求选择和使用。

问题二：推荐实体不同

• 解决方案二：统一实体字段：定义通用字段，如id、name、picture_url等，映射不同业务方的原始字段。
• 解决方案二：推荐池合并：将不同业务的推荐池合并为公共池，提升推荐效果和资源利用率。
• 解决方案二：通用特征：提取通用特征如展示量、点击率、热度等，支持统一分析和评估。
• 解决方案二：自定义特征：允许业务方根据自身需求自定义特征，增强推荐系统的灵活性。

问题三：推荐需求不同

• 解决方案三：入场规则脚本：业务方可提供过滤规则脚本，动态筛选内容。
• 解决方案三：引擎在线过滤插件：支持业务方通过LUA脚本进行实时内容过滤。
• 解决方案三：可配置化：推荐系统具备高度可配置性，便于快速调整策略和算法。

业务对接效果

• 效率提升：推荐中台显著提升了业务方对接效率，减少了重复开发和资源浪费。
• 效果优化：通过统一架构和算法模型，推荐效果得到了明显优化，提升了用户满意度和业务产出。

未来展望

• 提升对接效率/自动化：进一步优化推荐中台，提升对接自动化水平，减少人工干预。
• 提升推荐效果/算法优化：持续优化推荐算法，提升推荐准确性和多样性，增强用户体验。

结语

爱奇艺推荐中台的建设是公司推荐系统发展的重要一步，通过统一接口、实体字段和特征工程，实现了推荐系统的标准化和模块化，为各业务团队提供了高效、灵活的推荐服务。未来将继续优化推荐效果和对接效率，推动推荐技术的进一步发展和应用。