AutoML如何实现智能推荐系统的自动上线和运维?

第四范式先荐在2050大会上召集了《新媒体结合人工智能后的裂变》主题的新生论坛，第四范式资深科学家王嘉磊博士在论坛上分享了如何通过AutoML实现智能推荐系统的自动上线和运维。

演讲嘉宾简介
王嘉磊，第四范式资深科学家，负责设计实现第四范式 AutoML 产品算法，美国康奈尔大学运筹学博士，研究方向为贝叶斯优化及应用于自动化机器学习。

以下是演讲实录：

智能推荐系统领域出现了一些新技术——自动机器学习，即AutoML。接下来我主要讲一下AutoML的概念以及AutoML在智能推荐系统中的应用。
当我们浏览了足够多的视频或文字，手机应用就一定会给我们推荐一些相对符合我们口味的内容，这个过程称之为推荐。
现在大多数推荐系统会采用机器学习技术。相较于之前的人工归纳数据，机器学习能够从海量的数据中挖掘出数据之间的微妙联系，其粒度比人工归纳得出的结果高好几个数量级，推荐的质量和精准度也大幅提高。

AI在推荐系统中的应用
在推荐系统中，机器学习的流程一般如下：

最初，用户想要看手机应用中的某些内容，于是发出请求，打开IP，系统就需要给该用户推荐一些他比较感兴趣的内容。这时首先会经过召回策略阶段。这一阶段的主要任务是进行粗选。在这一阶段，系统中可供候选的内容很多。如果我们想通过某些较为简单或快速的召回策略对内容进行初筛，可以从以下维度入手：新闻热点、用户兴趣、新内容分发……
接下来两个阶段主要运用机器学习模型完成：粗排和精排。所谓的粗排和精排，二者之间并无严格的界限。大致看来，粗排模型一般是指能简单快速地做出预测的模型，其精准度相对低；精排模型是指一些造价较为昂贵但精准度高的模型，现在更多的就是关于神经网络的模型。
经过机器学习模型粗排后，接下来就是排序。所谓的排序就是根据候选内容与用户兴趣的相关度，从高到低进行排序，排序最高的内容与用户的兴趣最相关。在排序完成后，后续要做的就是过滤已经推荐过的内容、考虑到多样性后还需要打散推荐内容。最后一步就是返回给用户的推荐结果。
在整个推荐过程中，除了排序模型中涉及到机器学习之外，召回策略阶段也有机器学习的应用。
如果推荐系统中的候选内容是文本内