本次分享將主要介紹今日頭條推薦系統(tǒng)概覽以及內容分析、用戶標簽几晤、評估分析约炎，內容安全等原理。
一蟹瘾、系統(tǒng)概覽推薦系統(tǒng)圾浅，如果用形式化的方式去描述實際上是擬合一個用戶對內容滿意度的函數(shù)，這個函數(shù)需要輸入三個維度的變量憾朴。
第一個維度是內容狸捕。頭條現(xiàn)在已經是一個綜合內容平臺，圖文众雷、視頻灸拍、UGC小視頻、問答砾省、微頭條鸡岗，每種內容有很多自己的特征，需要考慮怎樣提取不同內容類型的特征做好推薦编兄。第二個維度是用戶特征轩性。包括各種興趣標簽，職業(yè)狠鸳、年齡炮姨、性別等，還有很多模型刻劃出的隱式用戶興趣等碰煌。第三個維度是環(huán)境特征舒岸。這是移動互聯(lián)網時代推薦的特點，用戶隨時隨地移動芦圾，在工作場合蛾派、通勤、旅游等不同的場景个少，信息偏好有所偏移洪乍。結合三方面的維度，模型會給出一個預估夜焦，即推測推薦內容在這一場景下對這一用戶是否合適壳澳。這里還有一個問題，如何引入無法直接衡量的目標茫经？
推薦模型中巷波，點擊率萎津、閱讀時間、點贊抹镊、評論锉屈、轉發(fā)包括點贊都是可以量化的目標，能夠用模型直接擬合做預估垮耳，看線上提升情況可以知道做的好不好颈渊。但一個大體量的推薦系統(tǒng)，服務用戶眾多终佛，不能完全由指標評估俊嗽，引入數(shù)據(jù)指標以外的要素也很重要。比如廣告和特型內容頻控铃彰。像問答卡片就是比較特殊的內容形式绍豁，其推薦的目標不完全是讓用戶瀏覽，還要考慮吸引用戶回答為社區(qū)貢獻內容豌研。這些內容和普通內容如何混排妹田，怎樣控制頻控都需要考慮唬党。此外鹃共，平臺出于內容生態(tài)和社會責任的考量，像低俗內容的打壓驶拱，標題黨霜浴、低質內容的打壓，重要新聞的置頂蓝纲、加權阴孟、強插，低級別賬號內容降權都是算法本身無法完成税迷，需要進一步對內容進行干預永丝。下面我將簡單介紹在上述算法目標的基礎上如何對其實現(xiàn)。
前面提到的公式y(tǒng) = F(Xi ,Xu ,Xc)箭养，是一個很經典的監(jiān)督學習問題慕嚷。可實現(xiàn)的方法有很多毕泌，比如傳統(tǒng)的協(xié)同過濾模型喝检，監(jiān)督學習算法Logistic Regression模型，基于深度學習的模型撼泛，F(xiàn)actorization Machine和GBDT等挠说。一個優(yōu)秀的工業(yè)級推薦系統(tǒng)需要非常靈活的算法實驗平臺，可以支持多種算法組合愿题，包括模型結構調整损俭。因為很難有一套通用的模型架構適用于所有的推薦場景⊥芙保現(xiàn)在很流行將LR和DNN結合，前幾年Facebook也將LR和GBDT算法做結合撩炊。今日頭條旗下幾款產品都在沿用同一套強大的算法推薦系統(tǒng)外永，但根據(jù)業(yè)務場景不同，模型架構會有所調整拧咳。
模型之后再看一下典型的推薦特征伯顶，主要有四類特征會對推薦起到比較重要的作用。第一類是相關性特征骆膝，就是評估內容的屬性和與用戶是否匹配祭衩。顯性的匹配包括關鍵詞匹配、分類匹配阅签、來源匹配掐暮、主題匹配等。像FM模型中也有一些隱性匹配政钟，從用戶向量與內容向量的距離可以得出路克。第二類是環(huán)境特征，包括地理位置养交、時間精算。這些既是bias特征，也能以此構建一些匹配特征碎连。第三類是熱度特征灰羽。包括全局熱度、分類熱度鱼辙，主題熱度廉嚼，以及關鍵詞熱度等。內容熱度信息在大的推薦系統(tǒng)特別在用戶冷啟動的時候非常有效倒戏。第四類是協(xié)同特征怠噪，它可以在部分程度上幫助解決所謂算法越推越窄的問題。協(xié)同特征并非考慮用戶已有歷史杜跷。而是通過用戶行為分析不同用戶間相似性傍念，比如點擊相似、興趣分類相似葱椭、主題相似捂寿、興趣詞相似，甚至向量相似孵运，從而擴展模型的探索能力秦陋。
模型的訓練上，頭條系大部分推薦產品采用實時訓練治笨。實時訓練省資源并且反饋快驳概，這對信息流產品非常重要赤嚼。用戶需要行為信息可以被模型快速捕捉并反饋至下一刷的推薦效果。我們線上目前基于storm集群實時處理樣本數(shù)據(jù)顺又，包括點擊更卒、展現(xiàn)、收藏稚照、分享等動作類型蹂空。模型參數(shù)服務器是內部開發(fā)的一套高性能的系統(tǒng)，因為頭條數(shù)據(jù)規(guī)模增長太快果录，類似的開源系統(tǒng)穩(wěn)定性和性能無法滿足上枕，而我們自研的系統(tǒng)底層做了很多針對性的優(yōu)化，提供了完善運維工具弱恒，更適配現(xiàn)有的業(yè)務場景辨萍。目前，頭條的推薦算法模型在世界范圍內也是比較大的返弹，包含幾百億原始特征和數(shù)十億向量特征锈玉。整體的訓練過程是線上服務器記錄實時特征，導入到Kafka文件隊列中义起，然后進一步導入Storm集群消費Kafka數(shù)據(jù)拉背，客戶端回傳推薦的label構造訓練樣本，隨后根據(jù)最新樣本進行在線訓練更新模型參數(shù)并扇，最終線上模型得到更新去团。這個過程中主要的延遲在用戶的動作反饋延時抡诞，因為文章推薦后用戶不一定馬上看穷蛹，不考慮這部分時間，整個系統(tǒng)是幾乎實時的昼汗。
但因為頭條目前的內容量非常大肴熏，加上小視頻內容有千萬級別，推薦系統(tǒng)不可能所有內容全部由模型預估顷窒。所以需要設計一些召回策略蛙吏，每次推薦時從海量內容中篩選出千級別的內容庫。召回策略最重要的要求是性能要極致鞋吉，一般超時不能超過50毫秒鸦做。
召回策略種類有很多，我們主要用的是倒排的思路谓着。離線維護一個倒排泼诱，這個倒排的key可以是分類，topic赊锚，實體治筒，來源等屉栓。排序考慮熱度、新鮮度耸袜、動作等友多。線上召回可以迅速從倒排中根據(jù)用戶興趣標簽對內容做截斷，高效的從很大的內容庫中篩選比較靠譜的一小部分內容堤框。
二域滥、內容分析內容分析包括文本分析，圖片分析和視頻分析蜈抓。頭條一開始主要做資訊骗绕，今天我們主要講一下文本分析。文本分析在推薦系統(tǒng)中一個很重要的作用是用戶興趣建模资昧。沒有內容及文本標簽酬土，無法得到用戶興趣標簽。舉個例子格带，只有知道文章標簽是互聯(lián)網撤缴，用戶看了互聯(lián)網標簽的文章，才能知道用戶有互聯(lián)網標簽叽唱，其他關鍵詞也一樣屈呕。
另一方面妥曲，文本內容的標簽可以直接幫助推薦特征下面，比如魅族的內容可以推薦給關注魅族的用戶，這是用戶標簽的匹配祷安。如果某段時間推薦主頻道效果不理想镶摘，出現(xiàn)推薦窄化嗽桩，用戶會發(fā)現(xiàn)到具體的頻道推薦（如科技、體育凄敢、娛樂涝缝、軍事等）中閱讀后，再回主feed,推薦效果會更好拒逮。因為整個模型是打通的罐氨，子頻道探索空間較小滩援，更容易滿足用戶需求。只通過單一信道反饋提高推薦準確率難度會比較大，子頻道做的好很重要约啊。而這也需要好的內容分析。
上圖是今日頭條的一個實際文本case记盒⊥飧担可以看到萎胰，這篇文章有分類、關鍵詞冰肴、topic熙尉、實體詞等文本特征搓扯。當然不是沒有文本特征锨推，推薦系統(tǒng)就不能工作换可，推薦系統(tǒng)最早期應用在Amazon,甚至沃爾瑪時代就有，包括Netfilx做視頻推薦也沒有文本特征直接協(xié)同過濾推薦锦担。但對資訊類產品而言洞渔，大部分是消費當天內容磁椒，沒有文本特征新內容冷啟動非常困難浆熔，協(xié)同類特征無法解決文章冷啟動問題桥帆。
今日頭條推薦系統(tǒng)主要抽取的文本特征包括以下幾類。首先是語義標簽類特征茫多，顯式為文章打上語義標簽天揖。這部分標簽是由人定義的特征今膊，每個標簽有明確的意義伞剑，標簽體系是預定義的黎泣。此外還有隱式語義特征聘裁，主要是topic特征和關鍵詞特征衡便，其中topic特征是對于詞概率分布的描述镣陕，無明確意義；而關鍵詞特征會基于一些統(tǒng)一特征描述岂嗓，無明確集合厌殉。
另外文本相似度特征也非常重要公罕。在頭條楼眷，曾經用戶反饋最大的問題之一就是為什么總推薦重復的內容罐柳。這個問題的難點在于，每個人對重復的定義不一樣辅斟。舉個例子士飒，有人覺得這篇講皇馬和巴薩的文章酵幕，昨天已經看過類似內容芳撒，今天還說這兩個隊那就是重復未桥。但對于一個重度球迷而言冬耿，尤其是巴薩的球迷亦镶，恨不得所有報道都看一遍缤骨。解決這一問題需要根據(jù)判斷相似文章的主題绊起、行文、主體等內容蜂绎，根據(jù)這些特征做線上策略荡碾。同樣，還有時空特征铐尚，分析內容的發(fā)生地點以及時效性宣增。比如武漢限行的事情推給北京用戶可能就沒有意義爹脾。最后還要考慮質量相關特征，判斷內容是否低俗解阅，色情货抄，是否是軟文蟹地，雞湯怪与？
上圖是頭條語義標簽的特征和使用場景琼梆。他們之間層級不同茎杂，要求不同煌往。
分類的目標是覆蓋全面刽脖，希望每篇內容每段視頻都有分類曲管；而實體體系要求精準院水，相同名字或內容要能明確區(qū)分究竟指代哪一個人或物檬某，但不用覆蓋很全恢恼。概念體系則負責解決比較精確又屬于抽象概念的語義场斑。這是我們最初的分類，實踐中發(fā)現(xiàn)分類和概念在技術上能互用喧半，后來統(tǒng)一用了一套技術架構薯酝。
今日頭條推薦系統(tǒng)的線上分類采用典型的層次化文本分類算法筛璧。最上面Root夭谤，下面第一層的分類是像科技、體育颊乘、財經乏悄、娛樂檩小，體育這樣的大類规求，再下面細分足球阻肿、籃球丛塌、乒乓球姨伤、網球乍楚、田徑徒溪、游泳…臊泌，足球再細分國際足球渠概、中國足球播揪，中國足球又細分中甲猪狈、中超雇庙、國家隊…疆前，相比單獨的分類器峡继，利用層次化文本分類算法能更好地解決數(shù)據(jù)傾斜的問題碾牌。有一些例外是舶吗，如果要提高召回誓琼，可以看到我們連接了一些飛線腹侣。這套架構通用傲隶，但根據(jù)不同的問題難度跺株，每個元分類器可以異構，像有些分類SVM效果很好畦木，有些要結合CNN十籍，有些要結合RNN再處理一下妓雾。
上圖是一個實體詞識別算法的case妒蛇⌒宥幔基于分詞結果和詞性標注選取候選陶耍，期間可能需要根據(jù)知識庫做一些拼接烈钞，有些實體是幾個詞的組合馒过，要確定哪幾個詞結合在一起能映射實體的描述腹忽。如果結果映射多個實體還要通過詞向量窘奏、topic分布甚至詞頻本身等去歧着裹，最后計算一個相關性模型求冷。三匠题、用戶標簽內容分析和用戶標簽是推薦系統(tǒng)的兩大基石韭山。內容分析涉及到機器學習的內容多一些梦裂，相比而言年柠，用戶標簽工程挑戰(zhàn)更大冗恨。
今日頭條常用的用戶標簽包括用戶感興趣的類別和主題掀抹、關鍵詞、來源揪利、基于興趣的用戶聚類以及各種垂直興趣特征（車型土童，體育球隊献汗，股票等）。還有性別王污、年齡罢吃、地點等信息。性別信息通過用戶第三方社交賬號登錄得到昭齐。年齡信息通常由模型預測尿招，通過機型、閱讀時間分布等預估。常駐地點來自用戶授權訪問位置信息就谜，在位置信息的基礎上通過傳統(tǒng)聚類的方法拿到常駐點。常駐點結合其他信息丧荐，可以推測用戶的工作地點缆瓣、出差地點、旅游地點虹统。這些用戶標簽非常有助于推薦弓坞。
當然最簡單的用戶標簽是瀏覽過的內容標簽。但這里涉及到一些數(shù)據(jù)處理策略车荔。主要包括：一渡冻、過濾噪聲。通過停留時間短的點擊忧便，過濾標題黨族吻。二、熱點懲罰茬腿。對用戶在一些熱門文章（如前段時間PG One的新聞）上的動作做降權處理呼奢。理論上，傳播范圍較大的內容切平，置信度會下降。三辐董、時間衰減悴品。用戶興趣會發(fā)生偏移，因此策略更偏向新的用戶行為简烘。因此苔严，隨著用戶動作的增加，老的特征權重會隨時間衰減孤澎，新動作貢獻的特征權重會更大届氢。四、懲罰展現(xiàn)覆旭。如果一篇推薦給用戶的文章沒有被點擊退子，相關特征（類別，關鍵詞型将，來源）權重會被懲罰寂祥。當然同時，也要考慮全局背景七兜，是不是相關內容推送比較多丸凭，以及相關的關閉和dislike信號等。
用戶標簽挖掘總體比較簡單，主要還是剛剛提到的工程挑戰(zhàn)惜犀。頭條用戶標簽第一版是批量計算框架铛碑，流程比較簡單，每天抽取昨天的日活用戶過去兩個月的動作數(shù)據(jù)虽界，在Hadoop集群上批量計算結果亚茬。
但問題在于，隨著用戶高速增長浓恳，興趣模型種類和其他批量處理任務都在增加刹缝，涉及到的計算量太大。2014年颈将，批量處理任務幾百萬用戶標簽更新的Hadoop任務梢夯，當天完成已經開始勉強。集群計算資源緊張很容易影響其它工作晴圾，集中寫入分布式存儲系統(tǒng)的壓力也開始增大颂砸，并且用戶興趣標簽更新延遲越來越高。
面對這些挑戰(zhàn)死姚。2014年底今日頭條上線了用戶標簽Storm集群流式計算系統(tǒng)人乓。改成流式之后，只要有用戶動作更新就更新標簽都毒，CPU代價比較小色罚，可以節(jié)省80%的CPU時間，大大降低了計算資源開銷账劲。同時戳护，只需幾十臺機器就可以支撐每天數(shù)千萬用戶的興趣模型更新，并且特征更新速度非称俳梗快腌且，基本可以做到準實時。這套系統(tǒng)從上線一直使用至今榛瓮。
當然铺董，我們也發(fā)現(xiàn)并非所有用戶標簽都需要流式系統(tǒng)。像用戶的性別禀晓、年齡精续、常駐地點這些信息，不需要實時重復計算匆绣，就仍然保留daily更新驻右。四、評估分析上面介紹了推薦系統(tǒng)的整體架構崎淳，那么如何評估推薦效果好不好堪夭？有一句我認為非常有智慧的話，“一個事情沒法評估就沒法優(yōu)化”。對推薦系統(tǒng)也是一樣森爽。
事實上恨豁，很多因素都會影響推薦效果。比如侯選集合變化爬迟，召回模塊的改進或增加橘蜜，推薦特征的增加，模型架構的改進在付呕，算法參數(shù)的優(yōu)化等等计福，不一一舉例。評估的意義就在于徽职，很多優(yōu)化最終可能是負向效果象颖，并不是優(yōu)化上線后效果就會改進。
全面的評估推薦系統(tǒng)姆钉，需要完備的評估體系说订、強大的實驗平臺以及易用的經驗分析工具。所謂完備的體系就是并非單一指標衡量潮瓶，不能只看點擊率或者停留時長等陶冷，需要綜合評估。很多公司算法做的不好毯辅，并非是工程師能力不夠埂伦，而是需要一個強大的實驗平臺，還有便捷的實驗分析工具悉罕，可以智能分析數(shù)據(jù)指標的置信度赤屋。
一個良好的評估體系建立需要遵循幾個原則，首先是兼顧短期指標與長期指標壁袄。我在之前公司負責電商方向的時候觀察到，很多策略調整短期內用戶覺得新鮮媚媒，但是長期看其實沒有任何助益嗜逻。其次，要兼顧用戶指標和生態(tài)指標缭召。既要為內容創(chuàng)作者提供價值栈顷，讓他更有尊嚴的創(chuàng)作，也有義務滿足用戶嵌巷，這兩者要平衡萄凤。還有廣告主利益也要考慮，這是多方博弈和平衡的過程搪哪。另外靡努，要注意協(xié)同效應的影響。實驗中嚴格的流量隔離很難做到，要注意外部效應惑朦。
強大的實驗平臺非常直接的優(yōu)點是兽泄，當同時在線的實驗比較多時，可以由平臺自動分配流量漾月，無需人工溝通病梢，并且實驗結束流量立即回收，提高管理效率梁肿。這能幫助公司降低分析成本蜓陌，加快算法迭代效應，使整個系統(tǒng)的算法優(yōu)化工作能夠快速往前推進吩蔑。
這是頭條A/B Test實驗系統(tǒng)的基本原理钮热。首先我們會做在離線狀態(tài)下做好用戶分桶，然后線上分配實驗流量哥纫，將桶里用戶打上標簽霉旗，分給實驗組。舉個例子蛀骇，開一個10%流量的實驗厌秒，兩個實驗組各5%，一個5%是基線擅憔，策略和線上大盤一樣鸵闪，另外一個是新的策略。
實驗過程中用戶動作會被搜集暑诸，基本上是準實時蚌讼，每小時都可以看到。但因為小時數(shù)據(jù)有波動个榕，通常是以天為時間節(jié)點來看篡石。動作搜集后會有日志處理、分布式統(tǒng)計西采、寫入數(shù)據(jù)庫凰萨，非常便捷。
在這個系統(tǒng)下工程師只需要設置流量需求械馆、實驗時間胖眷、定義特殊過濾條件，自定義實驗組ID霹崎。系統(tǒng)可以自動生成：實驗數(shù)據(jù)對比珊搀、實驗數(shù)據(jù)置信度、實驗結論總結以及實驗優(yōu)化建議尾菇。
當然境析，只有實驗平臺是遠遠不夠的囚枪。線上實驗平臺只能通過數(shù)據(jù)指標變化推測用戶體驗的變化，但數(shù)據(jù)指標和用戶體驗存在差異簿晓，很多指標不能完全量化眶拉。很多改進仍然要通過人工分析，重大改進需要人工評估二次確認憔儿。五忆植、內容安全最后要介紹今日頭條在內容安全上的一些舉措。頭條現(xiàn)在已經是國內最大的內容創(chuàng)作與分發(fā)憑條谒臼，必須越來越重視社會責任和行業(yè)領導者的責任朝刊。如果1%的推薦內容出現(xiàn)問題，就會產生較大的影響蜈缤。
現(xiàn)在拾氓，今日頭條的內容主要來源于兩部分，一是具有成熟內容生產能力的PGC平臺一是UGC用戶內容底哥，如問答咙鞍、用戶評論、微頭條趾徽。這兩部分內容需要通過統(tǒng)一的審核機制续滋。如果是數(shù)量相對少的PGC內容，會直接進行風險審核孵奶，沒有問題會大范圍推薦疲酌。UGC內容需要經過一個風險模型的過濾，有問題的會進入二次風險審核了袁。審核通過后朗恳，內容會被真正進行推薦。這時如果收到一定量以上的評論或者舉報負向反饋载绿，還會再回到復審環(huán)節(jié)粥诫，有問題直接下架。整個機制相對而言比較健全崭庸，作為行業(yè)領先者臀脏，在內容安全上，今日頭條一直用最高的標準要求自己冀自。
分享內容識別技術主要鑒黃模型，謾罵模型以及低俗模型秒啦。今日頭條的低俗模型通過深度學習算法訓練熬粗，樣本庫非常大，圖片余境、文本同時分析灌诅。這部分模型更注重召回率，準確率甚至可以犧牲一些猜拾。謾罵模型的樣本庫同樣超過百萬佣盒，召回率高達95%+挎袜，準確率80%+。如果用戶經常出言不諱或者不當?shù)脑u論盯仪，我們有一些懲罰機制蜜葱。
泛低質識別涉及的情況非常多全景，像假新聞、黑稿牵囤、題文不符爸黄、標題黨炕贵、內容質量低等等汹桦，這部分內容由機器理解是非常難的，需要大量反饋信息舞骆，包括其他樣本信息比對。目前低質模型的準確率和召回率都不是特別高脆霎，還需要結合人工復審狈惫，將閾值提高。目前最終的召回已達到95%忆肾，這部分其實還有非常多的工作可以做菱肖。別平臺。
