【推荐架构day6】Instagram推荐算法的基本原理

每个月，超过一半的 Instagram 社区成员都会访问 Instagram Explore 页面，寻找他们感兴趣的新照片、视频和故事。在数以亿计的选项中，如何大规模实时推荐与用户最相关的内容，给 Instagram 的工程师带来了许多挑战，这些挑战需要新的工程解决方案。

Instagram 通过创建一系列自定义查询语言、轻量级建模技术和支持高速实验的工具来解决这些挑战。这些系统支持 Explore 页面的规模，同时也提高了开发人员的效率。总的来说，这些解决方案描述了一种高效的人工智能系统，该系统基于一个高效的三阶段排名漏斗（3-part ranking funnel），它能提取 650 亿个特征，每秒进行 9000 万个模型预测。

本文，我们分享了让 Explore 页面起作用的关键要素的第一次详细概述，以及我们在 Instagram 上如何为人们提供个性化内容。

开发 Explore 页面的基础构件

在着手构建一个推荐引擎来处理每天上传到 Instagram 上的大量照片和视频之前，我们开发了一些基础工具来解决三个重要需求。我们需要进行大规模快速实验的能力，需要在人们兴趣范围内捕获更强的信号，需要一种计算效率高的方式来确保我们的建议既高质量又新鲜，这些定制技术是实现我们目标的关键。

 

使用 IGQL 快速迭代：一种新的特定领域语言

构建最佳推荐算法和技术是机器学习社区的研究领域之一，并且，根据任务的不同，选择合适的系统的过程也会有很大的不同。例如，虽然一种算法可以有效地识别长期兴趣，但另一种算法在识别基于最近内容的推荐方面可能表现得更好。我们的工程团队使用不同的方法进行迭代，我们需要一种方法，既能有效地尝试新的想法，又能将有前途的想法轻松地应用到大规模系统中，而不必太过担心计算资源的影响，如 CPU 和内存的使用。

为了解决这个问题，我们创建并发布了 IGQL，这是一种针对推荐系统中检索候选对象进行优化的特定领域语言。它的执行是在 C++ 中优化的，这有助于最小化延迟和计算资源。在测试新的研究想法时，还具有可扩展性和易用性。IGQL 既是静态验证，也是高级语言。工程师可以像 Python 那样编写推荐算法，并在 C++ 中快速高效地执行。

user
.let(seed_id=user_id)
.liked(max_num_to_retrieve=30)
.account_nn(embedding_config=default)
.posted_media(max_media_per_account=10)
.filter(non_recommendable_model_threshold=0.2)
.rank(ranking_model=default)
.diversify_by(seed_id, method=round_robin)

从上面的代码示例中可以看到ÿ