面向在线游戏的智能推荐系统设计-阮坤良.pdf

《面向在线游戏的智能推荐系统设计-阮坤良.pdf》由会员分享，可在线阅读，更多相关《面向在线游戏的智能推荐系统设计-阮坤良.pdf（31页珍藏版）》请在三个皮匠报告上搜索。

1、面向在线游戏的智能推荐系统设计腾讯高级开发工程师 阮坤良个人简介游戏开发短视频推荐游戏推荐目录游戏产品需要什么样的推荐系统面向在线游戏的推荐系统设计主要挑战与解决思路不足与展望目录游戏产品需要什么样的推荐系统面向在线游戏的推荐系统设计主要挑战与解决思路不足与展望业务形态数据引擎增值服务玩法辅助运营活动游戏社区研发模式游戏产品游戏产品游戏产品游戏产品游戏产品数据中台游戏数据游戏数据游戏数据游戏数据游戏数据推荐系统集中管理，数据隔离，方案共享，目前已覆盖总计亿级月活百亿级年收的多种场景游戏产品需要什么样的推荐系统省心游戏产品需要什么样的推荐系统省钱目录游戏产品需要什么样的推荐系统面向在线游戏的推荐

2、系统设计主要挑战与解决思路不足与展望设计目标高集成低成本可互动提供包含数据、模型、策略的完整解决方案业务接入只需对齐服务协议和数据语义，无需操心数据存储、服务运维、以及算法设计尽量使用常见基础软硬件，不追求最大最强提供一定的业务抽象及工具支持，方便游戏产品方参与算法调优，适应多种具体场景整体架构特征源RedisItem特征缓存模型服务策略服务样本拼接模型训练实验平台游戏Item特征缓存每日全量实时增量特征快照模型发布反馈特征与模型的联合优化dense groupdense groupembedding lookupembedding lookupint64float32float32int64

3、float32 tensorfloat32 tensor特征与模型的联合优化dense groupdense groupembedding lookupembedding lookupint64float32float32int64float32 tensorfloat32 tensorTensorflow图特征与模型的联合优化dense groupdense groupembedding lookupembedding lookupint64float32float32int64float32 tensorfloat32 tensor推理期为固定管线训练期为Tensorflow图特征与模型的

4、联合优化dense groupdense groupembedding lookupembedding lookupint64float32float32int64float32 tensorfloat32 tensor特征预处理图（自研预处理引擎）特征与模型的联合优化dense groupdense groupembedding lookupembedding lookupint64float32float32int64float32 tensorfloat32 tensor延迟扩散联合图中只依赖用户特征和上下文特征的子图只会计算一遍，计算最后经过扩散操作与非共享部分对齐特征与模型的联合优化

5、横向融合TF Concatfp logfp logfp normfp normfp logfp normfp logfp normTF TensorSIMD加速SIMD加速特征与模型的联合优化横向融合fp hashfp hashfp hashemb lookupemb lookupTF Concatemb packemb packTF Tensorfp hashemb lookupemb packfp hash离散特征key包含4或16位特征编号，同样维度的embedding操作可以合并召回召回召回排序排序特征排序实验驱动的策略服务排序召回层排序层重排层干预层实验每层可以指定若干插件，这些插件

6、的组合构成推荐流程鼓励非专业人员参与调优目录游戏产品需要什么样的推荐系统面向在线游戏的推荐系统设计主要挑战与解决思路不足与展望高扇出型服务的技术选型主动缓存数据源缓存服务readmissreadthroughupdatewritethroughwritethroughremove服务缓存writethroughupdatereadmissreadthroughsynchronize 高扇出型服务的技术选型数据序列化读取时间数据大小高扇出型服务的技术选型Embedding查询对