内容介绍

美图公司目前拥有 3 亿多月活跃用户,日均处理上亿图片和视频。为了让用户收获更多,2018 年,美图正式转型“美和社交”的战略,社交化转型的过程中遇到了不少困难和挑战。

本次分享将介绍美图推荐算法团队如何应用深度学习技术,来克服社交化转型中遇到的各种挑战。首先,内部基于传统机器学习任务开发的工具,通过特征编码方案和特征数据结构的升级以支持深度学习建模。同时通过对 Neural Factorization Machine 模型的三次改进,适应了业务对模型的需要。另外通过用户行为序列特征建模进一步增强了模型端到端的能力。为了解决模型因复杂度过高导致的在线耗时增加的问题,我们也实现了多塔网络的模型框架。最后,通过多任务模型的几次迭代,解决了推荐场景下多个优化目标的需求。

在过去一年的具体实践中,从模型改进到特征建模再到多目标优化,我们也总结一些经验,相信也能带给大家一些的启发和帮助。

内容大纲:

  1. 美图推荐场景与面临的挑战

  2. 支持深度学习的传统机器学习工具的升级

  3. 基于 NFM 模型的几次模型改进

    a) 基于特征空间线性变换的改进

    b) 基于二阶特征加权 Pooling 的改进

  4. 用户行为序列特征建模

    a) 用户行为序列特征建模的几种方法

    b) 基于用户行为加权的序列建模方法

  5. 解决在线推理效率的多塔网络

  6. 推荐场景下的多任务学习

    a) 基于样本 reweight 的方法

    b) 多任务模型之 Multi-Task NFM

    c) 多模型以及多个多任务模型

  7. 未来的工作计划

听众受益:

1. 了解推荐场景下,传统机器学习工具向深度学习工具转变的几个优化点与方案

2. 了解 NFM 在推荐排序下的应用,以及存在问题和优化方案

3. 了解用户行为序列特征建模在真实推荐场景下的应用方法

4. 了解推荐场景下,多任务学习的几种方法以及各自的优缺点

前沿亮点:

1. 深度学习的特征编码方案

2.NFM 模型的改进

3. 行为序列特征建模方法

4. 排序模型在线推理加速策略

评论

发布
暂无评论