Quora的推荐系统以问题、答案和主题为中心，通过Personalized Feed Ranking确保相关性和用户参与度。采用学习-to-rank方法，重点考虑topical relevance、social relevance和timeliness。面临的挑战包括实时排名和大量候选内容。Quora使用多种模型，重视特征工程，并对Answer Ranking、Ask2Answers功能和Topic Network建设进行了深入工作，以提升用户体验和专业知识的流动。
知乎联合创始人张亮在值乎上问了俞军老师一个问题，「以您的使用体验看，您觉得知乎现在最急需做的三到五项产品改进是哪些？」俞军老师的回答中给的第一个意见就是，「个性化内容的挖掘和推送，我知道知乎里有大量内容是我感兴趣的，但知乎推送的内容只有很少是我愿意点击的，总让我有种入宝山而空回的感觉，这方面网易云音乐、淘宝、今日头条都是不错的学习对象。」那么，有着“美版知乎”之称的Quora是如何做推荐的呢？以下内容选自RecsysChina。
Quora的VP Engineering机器学习大牛Xavier Amatriain，曾在WWW2016大会的Question Answering Workshop做了一个报告，Machine Learning for Q&A Sites: The Quora Example[1]。
Quora的Mission：To share and grow the world's knowledge。
Quora主要考虑的三个因素：Relevance、Quality和Demand。
Quora核心的数据模型及其之间的关系：
Feed Ranking
Quora做推荐的一个最核心问题就是Personalized Feed Ranking。Quora是以问题、答案与主题为核心把「知识」串联起来，然后基于用户的顶和踩等动作来划分内容质量，最后再通过人和问题的Follow关系让知识在社区内流动起来。而个人Feed正是这种「流动」的最主要的载体。Xavier说Quora做Feed Ranking的难度要比Netflix大，这也正常，没有更大的挑战想来Xavier也不会跳槽是吧。Quora Feed Ranking的首要目标是确保推送进用户Feed的内容应该是和用户兴趣高度相关的，其次还需要考虑的包括用户之间的Follow关系以及互动，Xavier管这个叫做social relevance，另外还有时间因素，比如一些和热点事件相关的问答，也应该及时
最低0.47元/天 解锁文章
399
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
