今日头条推荐算法原理解析

Abstract：这篇是1月份头条首次公开的算法原理的笔记记录。

1.头条推荐算法原理

1.1 系统概览

1.资讯推荐系统

”你关心的，才是头条“

本质要解决的问题：用户、环境和资讯的匹配，即​

实质：推荐系统其实是一个拟合用户对内容满意度的函数，这个函数需要输入3个维度的变量。

• ​ （内容）：内容形式多元化，不同内容的特征也不同，需要考虑怎样提取不同内容类型的特征做好推荐

• ​（用户）：怎样提取用户特征

• ​（环境）：用户在不同场景下的信息偏好不同

结合这3个维度，推荐模型会给出1个预估：预测推荐内容在这一场景下对用户是否合适。

2.特征类型

• 人的特征：兴趣，职业，年龄，性别，机型，用户行为

• 环境特征：地理位置，时间，网络，天气

• 文章特征：主题词，兴趣标签，热度，时效性，质量，作者来源，相似文章

3.如何引入无法直接衡量的目标？

• 广告&特型内容频控：特型内容比如问答卡片，其推荐目标不完全是让用户浏览，还要考虑吸引用户回答为社区贡献内容，这些内容和普通内容如何混排，怎样控制频控都需要考虑

• 低俗内容打压&频控

• 标题党、低质、恶心内容打压

• 重要新闻置顶&强插&加权

• 低级别账号内容降权

出于内容生态和社会责任的考量（算法无法完成，需要人工干预）

4.典型推荐算法

• Logistic Regression

• 协同过滤

• DNN：深度神经网络

• Factorization Machine

• GBDT

​ 是经典的监督学习问题，以上5种算法均可实现