Categories
程式開發

走向深度學習的美圖社區推薦:從工具到算法丨AlCon


美圖公司目前擁有3億多月活躍用戶,日均處理上億圖片和視頻。為了讓用戶收穫更多,2018年,美圖正式轉型“美和社交”的戰略,社交化轉型的過程中遇到了不少困難和挑戰。

本次分享將介紹美圖推薦算法團隊如何應用深度學習技術,來克服社交化轉型中遇到的各種挑戰。首先,內部基於傳統機器學習任務開發的工具,通過特徵編碼方案和特徵數據結構的升級以支持深度學習建模。同時通過對Neural Factorization Machine模型的三次改進,適應了業務對模型的需要。另外通過用戶行為序列特徵建模進一步增強了模型端到端的能力。為了解決模型因複雜度過高導致的在線耗時增加的問題,我們也實現了多塔網絡的模型框架。最後,通過多任務模型的幾次迭代,解決了推薦場景下多個優化目標的需求。

在過去一年的具體實踐中,從模型改進到特徵建模再到多目標優化,我們也總結一些經驗,相信也能帶給大家一些的啟發和幫助。

內容大綱:

  1. 美圖推薦場景與面臨的挑戰

  2. 支持深度學習的傳統機器學習工具的升級

  3. 基於NFM模型的幾次模型改進

    a) 基於特徵空間線性變換的改進

    b) 基於二階特徵加權Pooling的改進

  4. 用戶行為序列特徵建模

    a) 用戶行為序列特徵建模的幾種方法

    b) 基於用戶行為加權的序列建模方法

  5. 解決在線推理效率的多塔網絡

  6. 推薦場景下的多任務學習

    a) 基於樣本reweight的方法

    b) 多任務模型之Multi-Task NFM

    c) 多模型以及多個多任務模型

  7. 未來的工作計劃

聽眾受益:

1.了解推薦場景下,傳統機器學習工具向深度學習工具轉變的幾個優化點與方案

2.了解NFM在推薦排序下的應用,以及存在問題和優化方案

3.了解用戶行為序列特徵建模在真實推薦場景下的應用方法

4.了解推薦場景下,多任務學習的幾種方法以及各自的優缺點

前沿亮點:

1.深度學習的特徵編碼方案

2.NFM模型的改進

3.行為序列特徵建模方法

4.排序模型在線推理加速策略