2019年AI算法在　乐推荐中的实践.pdf

《2019年AI算法在　乐推荐中的实践.pdf》由会员分享，可在线阅读，更多相关《2019年AI算法在　乐推荐中的实践.pdf（36页珍藏版）》请在三个皮匠报告上搜索。

1、AI算法在乐推荐中的实践 关于网易云音乐 AI算法在音乐推荐中的应用 音乐场景下的AI思考目录 关于网易云音乐 AI算法在音乐推荐中的应用 音乐场景下的AI思考目录关于网易云音乐乐评社区UGC歌单精准推荐关于网易云音乐音乐人计划LOOK直播主播电台关于网易云音乐网易云音乐6亿注册用户AppStore音乐排行榜第一 关于网易云音乐 AI算法在音乐推荐中的应用 音乐场景下的AI思考目录AI应用-随处可见的推荐场景每日推荐歌单推荐私人FMAI应用-整体架构日志流ETL用户画像音乐资源画像召回引擎粗排匹配引擎精排Ranker引擎推荐展示特征引擎hivehadoopsparkSQLmammutflink

2、sparkMLtensorflowparameterservercaffeAI应用-整体架构推荐技术体系AI应用-音乐推荐VS其他推荐音乐推荐 VS其他推荐相同点：帮助用户更快捷的获取资源 以用户体验为导向差异点：音乐本身的复杂性，怎么理解音乐资源？可重复消费 vs不可重复消费 音乐消费成本高，前后有明显的关联性，有效行为的含义更丰富 很难用单一目标去衡量音乐推荐系统AI应用-音乐理解音乐本身的复杂性，要求系统要首先去更好地理解音乐AI应用-音乐理解应用NLP技术理解音乐AI应用-音乐理解AI应用-音乐理解应用视频+图像+卷积技术理解音乐利用音频，识别歌曲的响度、节奏、风格、音乐之间的相似性A

3、I应用-音乐推荐中的CF音乐中的重复消费价值AI应用-音乐推荐中的CFMdis(A，B)基于重复消费价值，音乐推荐中的相似度计算：传统推荐系统相似度计算：余弦相似度 Jaccard与传统的计算方法相比，效果提升显著重复消费频率AI应用-排序模型音乐的高消费成本、前后高关联特性更加要求有合适的模型去表达用户的需求AI应用-排序模型线性模型树模型规模FTRL模型：LR优点：可解释强迭代速度快缺点：表达能有限模型：RF GBDT XGBLGB优点：可解决部分线性可解释缺点拟合能需进步加强模型：FTRL+亿维度特征+亿样本优点：记忆类特征刻画能强缺点：特征维度需要的样本量多计算复杂深度神经络模型：DN

4、N DeepFM DCN Wide&Deep优点：表达能强缺点：络复杂，可解释性差不能学习到隐含的时序关系深度时序络模型：LSTM GRU TransformerDIN DEIN优点：能学习到时序特征刻画能+泛化能缺点：络复杂可解释性差AI应用-排序模型播放歌单收藏歌单收藏歌曲播放歌曲推荐歌单为序列遇到的问题：1过拟合2 数据量太3 特征时间穿越扩展艺标签作者百级百万级亿级LR和树模型统计类/泛化类特征很丰富，泛化能错前，有丰富的为数据，能否有办法更有效利数据，学习为的前后关联性，提升模型的拟合能？为样本多，乐资源多记忆类特征是否有效？规模稀疏特征，刻画户为的前后关联性，提升效果显著AI应用-

5、排序模型提升拟合DNNDeepFM同时对低阶特征组合和阶特征组合建模，从能够学习到各阶特征之间的组合关系DeepFM+DCN有效地捕获度线性的交叉特征，并且参数空间AI应用-排序模型提升时序关联表达来源：Deep Interest Network for Click-Through Rate Prediction来源：Deep Interest Evolution Network for Click-Through Rate Prediction来源：Deep Session Interest Network for Click-Through Rate PredictionDIN：在户的多样

6、兴趣点中，重点关注会影响到当次推荐的历史为DIEN：更加准确的表达户兴趣的动态变化性，以及时序演进过程DSIN：以session为基础，抽取户的时序兴趣AI应用-多任务MTL音乐消费中，因为用户需求的复杂性，很难用单一目标去衡量音乐推荐系统遇到问题：CTR&消费时长 不是同步提升，甚此消彼长怎么解决多标问题？AI应用-多任务MTL多目标问题的解决方法：多个标都是正样本weightloss联合训练多标起训练部分络共享样本加权AI应用-多任务MTL联合训练效果：收藏率和消费时长都