召回模塊
- 標簽類
- 基于用戶歷史回答過的話題、關鍵詞召回
- 基于用戶關注、瀏覽等興趣話題去召回
- 基于內(nèi)容分類去召回
- embedding召回
- 創(chuàng)作話題、興趣話題有embedding，通過最近鄰去召回相似的問題
- 通過深度學習模型學習出來embedding召回
- 協(xié)同類模型
- 熱門或其他策略類召回
排序模塊
ranking特征
- 問題側主要是問題的話題寓辱、文本、時間赤拒、提問作者
- 用戶側主要是用戶基礎特征秫筏、用戶興趣诱鞠、用戶歷史創(chuàng)作特征
- 交叉特征：問題與歷史回答話題相似度、文本相似度等
ranking模型
- 傳統(tǒng)GBDT这敬、GBRank航夺，在一些不追求極致效果情況中有一定優(yōu)勢
- 深度學習模型：Wide&Deep、DeepFM崔涂，效果有較大提升阳掐，但訓練要求資源多，樣本規(guī)模大
- ESMM（多目標）
目前模型主要是天級更新冷蚂，在做onlinelearning的嘗試
一些tips
- 模型融合或者復雜網(wǎng)絡可能在比賽中有效缭保，但是在實際生產(chǎn)中要考慮實際情況，一般情況下留給ranking階段的時間不超過100ms蝙茶，如果模型過于復雜艺骂，運行時間往往得不到標準，一般會使用單一的模型隆夯，或者直接使用多目標或多任務目標學習模型钳恕。
- 線上仍有不少地方在使用GBDT、GBrank蹄衷，樹模型有一些非常大的優(yōu)勢：模型簡單忧额，可解釋性強，需要的樣本量不大愧口，訓練時間短宙址，使用資源少，模型穩(wěn)定调卑，一定時間不更新衰減比較弱，可維護性比較強大咱，在一些不過分追求極致效果的情況使用比較多恬涧。
