知乎首页推荐系统

架构部分主要是针对业务的发展把召回、排序等模块进行了可配置化和选型梳理
算法部分基本上参考youtube2016和alibaba2018的思路对系统进行了重构，包括召回和排序，也结合自己的业务做了一些优化，值得参考。

高并发场景从python到golang，利用抽象工厂模式来实现可插拔
解决支持多队列混排和支持多路召回
具体的召回方式主要是ES + Redis + ANN 的模式进行构建。ES 主要支持相对复杂的召回逻辑，比如基于多种 topic 的混合召回；Redis 主要用于支持热门召回，以及规模相对较小的 CF 召回等；ANN 主要支持 embedding 召回。
离线任务和模型的管理问问题
- 离线任务的代码统一到一处管理
- 离线任务管理平台，将所有任务以通用包的形式进行管理
- 任务结果的监控体系
特征穿越问题
- 在线代替了离线，通过在线落特征日志，而不是 Raw Data，并统一了特征日志 Proto，如此就可以统一特征解析脚本。
StatsD + Grafana + InfluxDB 的监控系统，因为召回已经用配置的方式，那么剩下的召回源的比例关系，还有特征分布，ranking 得分分布都可以很方便的获取，而不用一个一个开发

多路召回：用户画像、内容标签、内容源信息、关注关系队列、搜索关键词队列、用户兴趣召回感兴趣的内容，根据搜索关键词进行相关推荐
DNN召回1.0
- 用户 128 维的 Embedding 表示
- 冷启动：看到内容用户的 Embedding 是什么以及点击这些内容用户的 Embedding 是什么，我们可以利用这份数据把这些新产生内容的 Embedding 计算出来更新到 Embedding 库里面去
准确度 DNN 比起 ALS 来讲提升了10倍的量级
DNN召回2.0
- 原始数据比如长度有多少，有没有图片，经过三层的网络之后会生成 Feed Embedding，可以直接得到 Content Embedding，解决新内容的召回机制问题
- 1）User Representation Network 引入 FM Pooling 层，学习用户高频消费行为的交叉特征，会让 Top100 的精确度提高 8%，2）我们把展示未点击的数据作为特征引入到 User Representation Network 里面，其中会用到历史搜索和历史阅读数据。3）展示了但是跳过的内容会在采样的时候加大权重，把它成为负例的概率变得更大，让用户的行为来指导采样。

GBDT -> DNN -> ATTENTION+LSTM , 强化学习
引入 FM 层作为这些类别之间的 Sparse Input 之间的交叉，AUC 提升了 0.2%，CTR提升了 1%。引入 CNN 及 LSTM 分别作为文本Encoder/Last Action Encoder，单用户使用时长提高 50 秒。
引入 Attention 机制作为用户 Embedding 和 Candidate Embedding 之间的交叉权重，单用户使用时长增加了 40 秒左右
多目标：我们使用了 CTR 预估模型预训练网络，利用 Parameter Hard Sharing，点击和点赞这两层共享之前的权重，会有一个独立的隐藏层 model task 自己的目标，这样能降低前向/反向传播中的计算量。
将连续值预测转化成离散值预测：阅读时长的分布，这个分布与正态分布比较类似。所以我们使用了 z-value 来对阅读市场进行离散化，离散化之后会把阅读时长分为五等——没点击、点击了阅读时长低、点击了阅读时长中等、点击了阅读时长偏高、点击了阅读时长非常高
修改了 Softmax 函数：如果预测出的档数和实际用户阅读时长档数差太多，我们加一个比较大的修改函数，让这种样本的 loss 加大

样本组织：线上进行实时打点避免穿越；正负样本进行不同采样率的实验
特征工程：分布范围比较大的特征，有一万个赞也有几万个赞的，做 CTR 预估的过程中赞量的影响会变得非常不平均，所以通常会进行特征的归一化和 boxing，分成不同的段输入
模型评估：做了一个 DCG Gain 收益的指标，比AUC具有更高的参考意义
多样性问题：一个内容出现几次之后你没有点击，之后都不会推荐相似的内容
信息茧房：针对老用户及兴趣比较均匀的用户，适当减少兴趣探测力度，在探测过程中也会尽量使用 Tag 之间的关联信息增强探测效率