QCon北京2018-《深度学习在微博信息流排序的应用》-刘博

《QCon北京2018-《深度学习在微博信息流排序的应用》-刘博》摘要ereum摘要：以下是对《QCon北京2018-《深度学习在微博信息流排序的应用》-刘博》的总结： ## 总结 本文由刘博（新浪微博机器学习研发部关系流算法负责人）介绍了深度学习在微博信息流排序中的应用实践，重点围绕以下内容进行了探讨： ### 1. 微博Feed流排序的技术挑战 - **规模大**：用户和Feed内容数量庞大。 - **指标量化**：难以直接量化用户体验。 - **实时性要求高**：内容更新速度快，需要快速排序。 - **内容形式多样**：包括博文、文章、图片、视频等非结构化数据。 - **海量计算**：需要处理超大规模模型和数据。 ### 2. 深度学习的选择与优势 - **相比传统CTR方法**：线性模型（如LR、GBDT、FM）特征工程繁琐，无法有效表达高维抽象特征。 - **深度学习模型优势**： - 泛化能力强。 - 表达能力强。 - 网络结构灵活。 ### 3. 微博Feed流排序场景介绍 - **信息获取方式**：包括主动获取（关注）和被动获取（推荐）。 - **内容形式多样**：涵盖博文、文章、图片、视频等。 - **微博规模**：DAU达1.72亿，MAU达3.92亿。 ### 4. 深度学习在排序中的应用 - **Wide & Deep模型**：结合浅层网络（Wide）和深层网络（Deep），处理离散特征和连续特征。 - Wide输入：离散特征离散化 + 手动交叉特征。 - Deep输入：连续特征离散化 + 非连续特征嵌入。 - **样本采样**：基于用户平均阅读时间，将未阅读的微博作为负样本。 - **网络复杂度控制**：网络深度过高可能导致过拟合，需平衡模型复杂度与效果。 ### 5. 实践效果 - 深度学习模型在CTR预估和排序任务中表现优异，显著提升了用户体验和产品效果。 总结来看，本文通过深度学习模型（尤其是Wide & Deep框架）解决了微博Feed流排序中的技术挑战，实现了更好的排序效果和用户体验。