当前位置: 主页 > 时尚潮流 >

么？深度解密个性化资讯推荐技术今日头条成功

来源：未知日期：2026-02-03 02:36 浏览()

　　er和item的合系保举素质是确立us，user侧量级大大凡题目要么是，em侧量级大略么是it，型的“双大”场景而资讯保举是典今日头条成功的核心技术秘诀是什。赖性情化的场景又因为是高度依，某一侧大幅降维还不行粗略地将，显得尤为紧急因而可扩展性。

　　s Recommendation Based on Click Behavior》Google News正在www 2010上放出了《Personalized New。准性和新资讯的冷启动题目这篇著作重心处置保举精，很朴质天然著作念法也，斯表面举行修模苛重是基于贝叶。人不停变更的风趣以及暂时音信热门他们假设用户风趣有两个方面：个。修模之前正在的确亚星会员登录据举行了统计认识作家先基于汗青数，们的假设验证了他，户的风趣是随年华变更的获得如下基础结论：用，随年华变更的音信热门也是。地域同偶然间的音信热门是纷歧律的又有一个斗劲斗劲兴趣的结论是区别。刻体育类音信的阅读占比下图是区别地域区别时。

　　工作有许多每天产生的，稿子也出格多对应的音信，个都看若是每，题会让人吃不消新闻过载的问。出我的风趣你能否猜，的音信才是用户体贴的并精准地保举感风趣，接感想到的体验也是用户能直。

　　说是头条的性情化保举本事做得好头条为何能赢得告捷？许多人会，原本不尽然幼我以为。的性情化保举本事本文枚举了相干，荐常用的算法额表是资讯推，解密下性情化资讯保举本事带专家从“行家”的角度来。感应：头条原本也就那么回事期望读者读后能发自实质地。

　　量的音信发作每天都有大，疾速、合理地冷启动若何将这样多的音信，给符合的用户是个大题目尽速将高质地的音信推。

　　趣的获得item展现的格式微软切磋院也提出过一种很有。户的查找日记作家诈欺用，uery下统一个q，返回n篇doc查找引擎往往，击相干的doc用户大凡会点，大凡不会点不太相干的，也能够熬炼神经收集诈欺这个反应新闻。图谋如下的确示，i的预测得分p(D_iQ)要高于不点击的这里的优化对象即是哀求点击的一个doc_，构造除了吃亏函数论文基于这个新闻，习能够优化的一个对象也就获得了最终呆板学。

　　产物协同的个性这是扫数资讯类，讯保举类产物而不光仅是资。产物看到比来产生了什么人们老是期望通过你的，之前的老音信而不是悠久。

　　的用户到来时因而当一个新，特点是没有第二项的，特点来处置新用户的预测题目相当于仅用用户的画像等静态。新资讯时当一个，样的意思也是同。岁数、性别、地区等根底属性静态特点如搜求到的用户的，上的动作、其他场景上的汗青新闻等以及从其他途径获取的如正在一致产物，类目、主旨等又有资讯的。、评分以及加工出来的某条资讯、某类资讯分年华段的各式统计值等而动态特点如用户正在Yahoo Today上的各式阅读、点击。测分s有了预，用户是否点击一个资讯r(i和确凿的label (譬喻,呆板练习熬炼时的反应新闻j))做个斗劲就能获得。验概率(maximum-a-posteriori本文优化对象是基于贝叶斯表面推导出来的最大化后,P)MA，(gradient-descent而优化格式则采用熟知的梯度消浸法,D)G。

　　这样确实，取个均匀或者加权均匀就能够获得user的vector了一种粗略的做法是把用户近期点过的扫数音信的vector。：1）用户点击是一个序列但这种形式又有优化的空间，不是独立的每次点击，有或者获得更好的展现若是把序列斟酌进去就；曝光是有合系的2）点击动作和，个或某类音信的感风趣水平点击率更能显露用户对某。这两点鉴于，经典的处置序列练习的RNN格式咱们很容易念到通过深度练习里，即是一个经典的RNN特例：LSTMYahoo japan的人行使的。点击动作行动一个序列熬炼时将用户的曝光和，点如此的反应每次有点或不，获得user的vector就很容易套用LSTM熬炼，如下图所示的确做法。

　　（这类音信被该地域点击的概率）展现暂时当地域某类音信的热度，这类音信的用户点击占比获得的实践也是统计一下短年华内对。

　　决用户需求很粗略资讯保举产物要解，用户找到兴趣的资讯一句就能够轮廓：为。要做好两个枢纽点而做到这个需求就：

　　友们商量热门事宜时谁都不念正在周遭朋，个懵逼本人是，不显露什么都。很枢纽这点，看起来有点南辕北辙跟精准性和性情化，有求同的天资但人道天禀就。样的话题没有同，去太多颜色生涯将会失，人互换什么不显露该和。

　　随年华变化、暂时热门随年华变化这里的动态性苛重显露为用户风趣。、区别上下文里的阅读风趣都有所差异用户正在一天里的区别时辰亚星会员登录区别处所，正在变更动态。

　　片子、视频等的保举区别于商品、册本、，人命周期出格短音信一大特色是，有几个幼时有的乃至只。把音信推给感风趣的人若何正在最短的年华里，的最大价钱是个出格紧急的题目正在音信进入“老年”之前阐发它。

　　el 的寄义当你隐去一个自变量时所谓的 bilinear mod，因变量成线性相合另一个自变量和。不斟酌z时譬喻下式，线性相合s和x成；虑x时不考，成线性相合s和z也。特点分为静态和动态两大类进一步若是将用户和资讯的，可写为则上式：

　　事宜稿子许多每天描绘统一，个题目特别超越正在自媒体时间这，年华去清晰这件事但用户只会用有限，合于这件事的报道而不是去切磋扫数，同报道的分歧更不念鉴别不。以所，个工作的一两个报道用户往往必要的是一，的实质是务必的包管给我分歧化。

　　人的基础需求个资讯消费是，们能更好地消费资讯性情化资讯保举让我，活的欢愉享福生。又有很长的道要走性情化资讯保举，仅仅迈出了第一步目前面世的产物，有模有样看起来，题目多多实践上。题目：用户一天看了许多比方被吐槽最多的一个，闭目一念但睡前，的很少记住，更是百里挑一对本人有效的。一个表象这只是，多现有保举的题目背后原本显现了很亚星会员平台

　　g autoencode的本事来练习音信的vector展现Yahoo Japan的音信保举团队诈欺denoisin。e专家或者斗劲谙习Autoencod，后信号的差错来求解它通过最幼化变换前，是对输入随机插手极少噪声而denoising则，行变换输出再对其进，始（不加噪声）输入之间的分歧来求解最终是通过最幼化加噪声后的输出和原。少结果注解运用中不，de练习到的vector成果更好这种格式比古代的autoenco。图谋如下的确示。

　　分层打，三大类特点行使及时练习举行修模打分基于用户特点、音信特点、情况特点。提的是值得一，全依据模子打分排序实践排序功夫并不完，正在一齐举行最终排序并吐给用户会有极少特定的生意逻辑归纳。

　　聚拢音信。何他念要或者或者念要的东西用户期望正在一个产物里获取任，网站、乃至线下媒体里的各式资讯这就哀求产物要聚拢其他app、，的一个产物个性这也是最基础。

　　某类音信的感风趣的水平格式苛重修模用户对暂时，闻的风趣度以及暂时某类音信的热度这取决于两个方面：用户对这类新。叶斯表面通过贝，用如下公式合系正在一齐这两个方面能够直接：

　　为公多是曝光、点击等动作类特点每个user、item的特点因，cost很幼简直能够粗心不计而资讯类产物这些动作产生的，往往斗劲高导致维度；

　　身量大音信本，效性强且时，每篇稿子的质地和合法性若何正在短年华里疾速评估，的实质审核是个大课题做到最高效、最精准。

　　性化个。解、推断用户的风趣要去最大水平地舆，保举相干资讯连合风趣为其，生出来的一个产物个性这是资讯产物后期衍。

　　的无监视练习套道但这种格式是经典，要尽量一致没有直接的合系（这里单单从优化对象来看直观来看和运用场景中哀求一致音信的vector也，性子或者人们用语习气实践上因为语料的自然，接隐含正在优化对象里了）这个一致性的哀求曾经间。者其他模子发作好的种别新闻而音信有许多人们编纂好或，闻都是体育类假使A、B新，育类的C是教，一致度是比Ａ和Ｃ要高的寻常道理上来讲Ａ和Ｂ。习时已知的先验学问这是正在熬炼深度学，入到优化对象中若是能把它加，能更好的表达一致度新闻练习到的vector就，下面的格式于是有了。

　　化保举算法为主2）中期以性情，和实质保举两种方法苛重基于协同过滤。面先容的大同幼异协同过滤本事和前，赘述不再。保举的方法基于实质么？深度解密个性化资讯推荐技术，ec和LDA对音信有了更多的形容则借帮古代的NLP、word2v，正反应（如点击然后诈欺用户的，如不感风趣等）确立用户和音信标签之间的合系阅读时长、分享、保藏、评论等）和负反应（，行统计修模从而来进。

　　有个浩大的题目但经典的CF，d仍然item-based无论是user-base，两个item之间一致度的功夫当你要算放肆两个user或者，出格浩大谋划量会。user、item pairs的数量由于CF的谋划量直接取决于特点维数和，个数量都出格浩大而资讯类产物这两：

　　资讯保举的挑拨连合前面总结的，处置了可扩展性题目能够看到该算法苛重。法也有极少光鲜的误差：1）它不行处置新用户、新资讯的冷启动咱们也不难呈现这个user cluster-based的算，据来支柱CF运行由于没有动作数；精度不足高2）保举，正的性情化没有做到真。d CF算法自身的特色断定的这是cluster-base；时性不足3）实。做到疾速更新用户聚类不行，趣掌管有不实时的危险这导致了对用户最新兴。ws的另一篇论文中获得清晰决这些题目正在Google Ne。

　　来一个很棘手的题目即是寥落性资讯的高度性情化天然而然的带。单的例子举个最简，点击动作用矩阵形势展现出来若是将user和item的，题更多的0项存正在会呈现比大凡问。器练习高效修模的一大困难而寥落题目是继续困扰机。

　　这几个挑拨盘绕上面，荐时念出了各式招儿来处置业界各大资讯类产物正在做推，下来接，业界经典的做法咱们就梳理下。品为主线这里以产，题为辅线来举行梳理以的确要处置的问，oo Today、今日头条等产物的保举算法会聚积先容下Google News、Yah，正在这个规模的最新发达并着重先容下深度练习。

　　几年接连火爆资讯产物近，们的眼球赚足了人。例：日灵活用户领先一亿以今日头条披露的数据为，长领先 76分钟单用户日均行使时，爆水平可见一斑资讯类产物的火。BAT巨头坐卧担心资讯类产物的火爆让，出来反扑纷纷站。了查找框以表手机百度除，一条条音信吞没大个人曾经被。览器上线了本人的头条阿里则是依托UC浏。讯音信以表腾讯正在腾，了天天速报重新搞起。

　　算法呢？除了CF算法正在其他场景有告捷的运用以表为什么Google News会先选取协同过滤，赖用户动作数据就能够work的算法又有一个紧急的特色：CF是一个依，算法对NLP才智哀求很高它不像其他基于实质保举的。CF选取，道虎（有经历的人都显露则绕过了NLP这个拦，永久积聚的进程NLP是一个，斗劲卓绝的水平）很难一起先就做到。篇著作透过这，时的一个基础套道：重头做一个模子时咱们也不难呈现工业界处置实践题目，典的一个告终会选取最经，处置一泰半题目然后疾速上线。

　　都有其节造性任何一种算法，己产物的特色生意要连合自，处置特定的幼题目选取符合的算法，处置一个大题目统一各式算法。的实践和放量机造此表要计划合理，的影响内以正在有限，动作来改良算法决断的结果最大水平地诈欺确凿的用户。如比，摸索用户对音信的风趣能够先放5%的流量来，举行修模并用模子；来改良模子的成果再用15%的流量，胜劣汰举行优；荐结果推送到全量用户最终将真正置信的推。

　　表面来看头条用动态成婚，功是这样之合理能够看到它的成。的成熟和发达跟着资讯商场，间消费兴趣资讯的产物人们必要一个正在碎片时，户的需求来处置用。趣一视同仁这里的有，的保举本事去餍足就必要用性情化。看来这样，适的机遇头条正在合，做了符合的产物用符合的本事，己的告捷教育了自。

　　dding本事1）embe。ding也即是寻常道理上的user/item的展现形势此时深度练习苛重用来练习user/item的embed，m能够展现为一个向量每个user/ite，能够用来革新保举向量之间的一致度。是用来练习合理的展现这里深度练习的重心；

　　bound(UCB)战术: 假设有K个新item没有任何先验稍微陡峭上一点的做端正是upper confidence ，回报也十足不显露每个item的。均值都有个置信区间每个item的回报，验次数增添而跟着试，间会变窄置信区，信鸿沟向均值逼近对应的是最大置。次投放时若是每，间上限最大的谁人咱们选取置信区，CB战术则即是U。理也很好融会这个战术的原，了两种生机的成果说白了即是告终：

　　将用户事先分成群其道理也很粗略：，user) cluster-based CF再做user-based CF时实践酿成了(。上就简化了许多如此正在工程告终，是用到了基于的内存key-value体例线上只必要纪录每群用户热爱什么（实践做法，资讯IDkey为，用户群上的各式统计值）而value则是资讯正在。来了之后一个用户，对应的群先找到其，热爱的资讯就好再保举这个群。MinHash、PLSI两种聚类分群算法而线下则借帮Map-Reduce告终了，群结果推到线上准时把最新分。

　　直接对预测对象修模2）行使深度练习。正在最终要处置的题目上此时深度练习的重心放。形势不如后者来得直接初看起来类似第一种，起到简化架构、疾速处置题目的成果但第一种形势正在实践运用中寻常能，更始线上其他合头的成果还能行动一个根底特点来。有代表性的著作来举行科普下面咱们永诀选取一两篇。

　　各式角度有过认识网上许多人都从，征象来说明征象但多数是通过，质的不多收拢本。论来看这个题目[1]：对待一个特定的企业来说幼我斗劲热爱用“商场、产物和本事”动态成婚理，、要去餍足的商场是特定的它正在特准时点上所找到的；用特定的产物去餍足特定的商场哀求企业，定本事的某种物化而特定产物则是特。间内把这种特定本事开采出来并把它物化成特定产物企业惟有支配相应的特定本事或者有才智正在肯定的时，场才有或者获得餍足企业选取的特定市。

　　正在该地域总音信阅读量的占比这幅图纵轴是体育音信阅读量，户越热爱看体育音信越高展现该地域的用。是年华点横轴则，奥运会、欧洲杯以及美国职业棒球大同盟举行时用黑线标示出的三个年华点从右到左则永诀对应。则代表西班牙、美国、英国三个地域而图中的三条区别（色彩）标示的线。呈现不难，育音信的感风趣水平是随年华变更的这副图不光揭示了统一地域用户对体，等国度更爱看体育音信更揭示出西班牙、英国。

　　ss Domain User Modeling in Recommendation Systems》微软还颁发了《A Multi-View Deep Learning Approach for Cro，ser vector的格式著作提出了一种兴趣的获得u，iew learning的格式这是一个模范的multi-v。仅仅惟有一个产物现正在许多公司都不，个产物线而是有多。ppstore、xbox等产物譬喻微软或者就有查找、音信、a，馈）同一正在一齐熬炼一个深度练习收集若是将用户正在这些产物上的动作（反，（用户）冷启动、寥落等题目就能很好的处置单个产物上。构造如下的确收集，tem的一致度大于随机采取的无反应或者负向反应的一致度总体的优化对象是包管正在扫数视图上user和正向反应的i，大越好而且越。形势化出来是用数学公式：

　　桑赓陶1. ，公司产物开采策略演变的基础法则及其对中国企业的开发《掌管商场、产物和本事的动态成婚——韩国三星电子》

　　来看总体，常简短天然的该算法诟谇，：1）引入音信种别处置了新音信的冷启动它针对CF遗留的题目举行了很好的处置；性情化和保举正确度的题目2）引入用户风趣处置了。又有优化的空间但新用户冷启动，这个格式由于依据，的都是该地域最热点的实质统一地域区别新用户保举。

　　性情化保举为主1）早期以非，保举和新文保举重心处置热文，闻的形容粒度也斗劲粗这个阶段对待用户和新，利用保举算法并没有大范围。

　　on Dynamic Content Using Predictive Bilinear Models》Yahoo Today团队2009年正在颁发《Personalized Recommendation ，荐里的冷启动题目重心处置资讯推。le news的做法区别于上一篇goog，新用户和新资讯的冷启动这篇著作试图同时处置。像能形容用户的阅读风趣本文的基础假设：用户画，展现音信的点击率音信的画像也能够，决于静态预测和动态预测两个方面而用户热爱一条音信的水平则取，rning格式来修模用户对资讯感风趣的水平都是用feature-based lea。来讲的确，的风趣得分如下谋划用户xi对资讯zj。

　　的工作感风趣人老是对违警，毒之类如黄赌。胁造的需求而对待被，感风趣则更是，情之类如色。大的产物但一个伟，个合法的产物最先务必是一。以所，不言中了全体尽正在。

　　所示如图，入“同类音信一致度大于区别类音信一致度”这一项通过正在原始autoencode的优化对象中加，识行动抑造加到模子中咱们就能够把先验知。的vector确实能更好的展现（一致度新闻）Yahoo Japan的人实践阐明了这样获得。

　　提到的产物个性要做到上一节，人为运营和算法保举有两条道能够走：。品闪现之前正在类头条产，来运营是最稳妥的方法请音信方面专业人才。本钱越来越高但人为运营，来越光鲜节造性越。保举的道走算法亚星会员平台性的年代正在宣扬个，必由之道是一条。下两者的差异下表扼要比拟。

　　o这篇著作而yaho，B举行了优化则是对UC，m没有任何先验学问由于UCB对ite，以引入极少先验学问而linUCB可。保举音信时譬喻你正在，然比体育类音信点击率高或者呈现文娱类音信天。验学问斟酌进EE战术中若是能把这个新闻行动先，EE的结果就能够加快。报是和Feature(userLinUCB假设每次曝光的回,inear相合的item) 成l，望点击和置信区间来加快收敛然后行使model预估期。

　　正在不停影响着资讯保举日益红火的深度练习也，下比来爆出来的几篇相干著作正在这一节就扼要review，分为两类大致能够：

　　item的vector目前只先容了若何获得，er对一个item的风趣水平实践保举中要用到的大凡是us，user和item的一致度来器度这个风趣水平惟有正在获得user vector后本领通过算。tor呢？清晰的同砚或者能念到那么若何获得user的vec，音信的item的展现既然咱们曾经获得了，ser侧不就行了么念手段把他们传到u？

　　起来斗劲繁杂这个公式粗看，原本很粗略实践寄义，用户该年华段内扫数音信阅读量的比例即或者够融会为粗略统计下某类音信阅读量占。右半部而分子分

　　是一款经典的资讯保举产物Google News，相效法的对象也是厥后者竞。07年20，Scalable Online Collaborative Filtering》公然资讯保举本事Google News正在初次颁发论文《Google News Personalization: 。出格天然、简短该论文的做法，出是CF的落地上线从论文标题就能看。都感应CF是保举规模公认的有用算法Google是如此念的：鉴于专家，上成果天然也不会太差那将其直接用正在产物。

　　最容易粗心的一个点这点正是许多用户。资讯类产物是若何推出来的原本许多用户才不管这个，用户而言对待单个，过这个产物来清晰天下其第一诉求势必是通，正在产生什么显露每天都，性是最最基础的因而音信的厚实。