12段话,了解今日头条算法的秘密

摘要

资深算法架构师、中国科学技术大学曹欢欢博士,介绍了今日头条的推荐算法原理。同时,解答大家对算法的疑问,接受大家对算法的建议。

1 月 11 日,一场问诊算法、建言算法的「让算法公开透明」分享交流,在北京今日头条总部举办。资深算法架构师、中国科学技术大学曹欢欢博士,介绍了今日头条的推荐算法原理。同时,解答大家对算法的疑问,接受大家对算法的建议。
中央电视台、新华社、人民日报等媒体机构从业者,和阿里、腾讯、百度、美团、新浪、网易等科技公司的算法工程师、产品经理等 100 多人,参加了活动。此次今日头条将算法透明化,并接受建言,属于行业首例。算法原则历来属于公司行业机密,极少有公司会对外公布。

1

资讯推荐系统本质上要解决用户、环境和资讯的匹配。
今日头条算法推荐系统,主要输入三个维度的变量。
一是内容特征,图文、视频、UGC 小视频、问答、微头条等,每种内容有很多自己的特征,需要分别提取。二是用户特征,包括兴趣标签、职业、年龄、性别、机型等,以及很多模型刻画出的用户隐藏兴趣。三是环境特征,不同的时间不同的地点不同的场景(工作/通勤/旅游等),用户对信息的偏好有所不同。结合这三方面纬度,今日头条的推荐模型做预估,这个内容在这个场景下对这个用户是否合适。

2

点击率、阅读时间、点赞、评论、转发,这些都是可以量化的。但一个大体量的推荐系统,服务用户众多,不能完全由指标评估,引入数据以外的要素,也很重要。有些算法可以完成,有些算法还做不到、做的不好,这就需要内容干预。

3

没有一套通用的模型架构,适用所有的推荐场景。我们需要一个非常灵活的算法实验平台,这个算法不行,马上试另一个算法,实际上是各种算法的一个复杂组合。西瓜视频、火山小视频、抖音短视频、悟空问答,都在用头条这一套推荐系统,但具体到每套系统,架构都不一样,需要不断去试。

4

算法推荐要达到不错的效果,需要解决好这四类特征:相关性特征、环境特征、热度特征和协同特征。
相关性特征,解决内容和用户的匹配。环境特征,解决基础特征和匹配。热度特征,在冷启动上很有效。协同特征,考虑相似用户的兴趣,在一定程度上解决所谓算法越推越窄的问题。


5

今日头条有一个世界范围内比较大的在线训练推荐模型,包括几百亿特征和几十亿的向量特征。
完全依赖模型推荐成本过高,因此有了简化策略的召回模型。基于召回策略,把一个海量、无法把握的内容库,变成一个相对小、可以把握的内容库,再进入推荐模型。这样有效平衡了计算成本和效果。

6

在今日头条工作前三年,我收到用户反馈最大的一个问题,就是,「怎么老给我推重复的?」
其实,每个人对重复的定义不一样。有人昨天看到一篇讲巴萨的文章,今天又看到两篇,可能就觉得烦了。但对于一个重度球迷来讲,比如巴萨的球迷,可能恨不得所有的报道都看一遍。解决这个,实际上需要精确抽取文本特征,比如哪些文章说的是一个事儿,哪些文章基本一样等等。
文本特征对于推荐的独特价值在于,没有文本特征,推荐引擎无法工作,同时,文本特征颗粒度越细,冷启动能力越强。


7

语义标签的效果,是检查一个公司 NLP(自然语言处理)的试金石。
频道、兴趣表达等重要产品功能,需要一个有明确定义、容易理解的文本标签体系。所以,在隐式语义特征已经可以很好地帮助推荐,且做好语义标签需要投入远大于隐式语义特征的情况下,我们仍然需要做好语义标签。

8

除了用户的自然标签,推荐还需要考虑很多复杂的情况:
1)过滤噪声:过滤停留时间短的点击,打击标题党;2)惩罚热点:用户在热门文章上的动作做降权处理;3)时间衰减:随着用户动作的增加,老的特征权重会随时间衰减,新动作贡献的特征权重会更大;4)惩罚展现:如果一篇推荐给用户的文章没有被点击,相关特征(类别、关键词、来源)权重会被惩罚;5)考虑全局背景:考虑给定特征的人均点击比例。

9

比起批量计算用户标签,采用流式计算框架,可以大大节省计算机资源,可以准实时完成用户兴趣模型的更新。几十台机器就可以支撑每天数千万用户的兴趣模型更新,99% 的用户可以实现发生动作后 10 分钟模型更新。


10

影响推荐效果的因素有很多,我们需要一个完备的评估体系,不能只看单一指标,点击率、留存、收入或是互动,我们需要看很多指标,做综合评估:兼顾短期指标和长期指标,兼顾用户指标和生态指标,注意协同效应的影响,有时候需要做彻底的统计隔离等。
有人问,所有的这些指标,能合成唯一的一个公式吗?我们苦苦探索了几年,目前还没有做到。

11

很多公司的算法做得不好,不是人的问题,是实验平台的问题。
如果 A/B Test,每次数据都是错的,不是这儿错就是那儿错,总上不了线,这个事就废了。而一个强大的实验平台,可以实现每天数百个实验同时在线,高效管理和分配实验流量,降低实验分析成本,提高算法迭代效率。

12

头条现在拥有健全的内容安全机制。除了人工审核团队,我们还有技术识别。包括风险内容识别技术,构建千万张图片样本集的鉴黄模型,超过百万样本库的低俗模型和谩骂模型等,以及泛低质内容识别技术。


我们一直按行业最高的标准要求自己。

最新文章

极客公园

用极客视角,追踪你不可错过的科技圈.

极客之选

新鲜、有趣的硬件产品,第一时间为你呈现。

张鹏科技商业观察

聊科技,谈商业。