QCon-爱奇艺推荐中台探索与实践_张时骏_41页_6mb

爱奇艺推荐中台探索与实践总结

核心内容概述

爱奇艺推荐中台是为了解决推荐系统在不同业务场景下的多样化需求，通过统一架构和流程，为各业务团队提供一套高效、低成本、高产出的推荐服务及其配套设施。该中台旨在提升推荐系统的通用性、可扩展性和业务对接效率，同时优化推荐效果，实现更精准的用户内容匹配。

主要观点

• 推荐形式多样化：爱奇艺存在多种推荐形式，包括个性化推荐、信息流推荐、相关推荐和主题推荐，这些形式在算法逻辑、数据处理和用户交互上有显著差异。
• 推荐实体不统一：不同业务（如小视频、横屏视频、图文、直播、漫画等）对应的推荐实体（如视频、图文、直播房间等）结构和特征各异，导致系统难以统一处理。
• 推荐需求复杂：各业务方对推荐的需求不同，包括内容筛选规则、数据维度、用户行为分析等，需要灵活的配置和定制化处理。

关键信息

推荐中台背景

• 推荐系统需求繁多，业务方重复开发推荐模块，导致资源浪费和效率低下。
• 推荐形式、实体和需求的多样性，使得构建统一推荐系统面临挑战。
• 推荐中台的建设目标是统一推荐服务，降低业务方开发成本，提高推荐效率和质量。

推荐中台架构

• 多端适配：支持APP、PC、H5、PAD、VR、TV等多种终端，实现推荐服务的统一输出。
• 推荐池合并：将不同业务的推荐池合并为统一的推荐池，提升资源利用率和推荐效果。
• 内容理解：通过自然语言处理和图像识别等技术，理解内容特征，为推荐提供依据。
• 特征工程：构建通用和自定义特征，如展示量、点击量、热度、业务特征等，以支持不同推荐模型。
• 算法仓库：集成多种推荐算法，如Logistic Regression、Factorization Machines、GBDT、Wide & Deep、DeepFM等，满足不同业务场景。
• 引擎支持：推荐引擎支持多业务场景，实现统一的推荐服务调用。

推荐中台实践

问题一：推荐形式不同

• 解决方案：通过统一接口和统一流程，将不同推荐形式整合为统一的调用入口。
• 统一接口参数：包括area（推荐区域）、passport_id（登录ID）、device_id（设备ID）、context_id（上下文ID）、session_id（会话ID）、theme_id（主题ID）等。
• 召回仓库：支持多种召回策略，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。

问题二：推荐实体不同

• 解决方案：通过统一实体字段定义，将不同业务实体映射为统一的字段结构。
• 通用字段定义：包括id、name/title、picture_url/cover_url、first_publish_time、is_valid等。
• 业务独有字段定义：如直播业务中的live_status字段，映射为liveroom_live_status。
• 推荐池合并：将不同业务的推荐池合并为统一的推荐池，提升数据处理效率和推荐效果。
• 通用特征：包括展示量、点击量、点击率、长点击率、平均观看时长、消费金额、新鲜度、热度等。
• 自定义特征：允许业务方提供自定义特征，如搜索、dot_distance、sparse等，并支持查看、编辑和删除操作。

问题三：推荐需求不同

• 解决方案：通过入场规则脚本和引擎在线过滤插件，实现业务需求的灵活配置。
• 入场规则脚本：业务方可提供过滤逻辑，如根据id、类型、是否删除等条件过滤内容。
• 引擎在线过滤插件：支持业务方提供LUA脚本，用于实时过滤推荐内容。
• 可配置化：通过可配置化机制，满足不同业务对推荐策略和参数的个性化需求。

业务对接效果

• 推荐中台的建设显著提升了业务对接效率，业务方可快速接入推荐服务，减少重复开发。
• 推荐效果得到优化，通过统一算法和特征工程，提升了推荐的准确性和用户满意度。
• 业务方可灵活配置推荐策略，实现个性化需求，提升用户体验和业务转化率。

未来展望

• 提升对接效率与自动化：进一步优化推荐中台的接入流程，实现自动化配置和部署。
• 提升推荐效果与算法优化：持续优化推荐算法，提升推荐的精准度和多样性，满足用户日益增长的需求。

总结

爱奇艺推荐中台通过统一接口、实体字段和推荐流程，解决了推荐系统在形式、实体和需求上的多样性问题，实现了高效、灵活和可扩展的推荐服务。未来，推荐中台将继续提升对接效率和推荐效果，助力爱奇艺在内容推荐领域持续领先。