短视频如何做到千人千面？FM+GBM排序模型深度解析

阿里妹导读：信息流短视频能够满足用户的碎片化阅读需求，目前已是移动互联网流量风暴的中心。各互联网大厂纷纷涉足此领域，推出自己的短视频产品，群雄争霸，逐鹿短视频市场。今天，UC事业部国际研发团队，将为大家介绍排序层的模型演进过程，带你深入了解模型创新部分。

作者：马泽锋、邢日良、彭卫华

背景

信息流短视频以算法分发为主，人工分发为辅，依赖算法实现视频的智能分发，达到千人千面的效果。整个分发流程分为：触发召回、排序与重排三个阶段。排序层在其中起着承上启下的作用，是非常重要的一个环节。在排序层优化的过程中，除了借鉴业界前沿的经验和做法，我们也做了模型上的一些创新。

信息流短视频排序目前使用是以CTR预估为目标的Wide&Deep模型。通过引入时长特征、点击+时长多目标优化等工作，我们取得了不错的收益：

• 增加视频平均播放时长特征，作为用户真实体感信号，带来用户消费时长提升；

• 通过消费时长样本加权，实现点击+时长多目标优化，实现点击率与消费时长的提升；

• 引入多个视频下发场景的样本数据，实现多场景样本融合；

在优化排序模型的过程中，我们也调研了DeepFM/DeepCN等深度模型，这些模型无论从离线还是线上指标上，都没有明显优势。在优化Wide&Deep模型的同时，更迫切的需求，是跳出原有的框架，寻找新的收益点。

引入GBM对submodel和高级特征等信号做集成学习，效果要优于单模型。从计算学习理论上看，Wide&Deep是high-variance模型，容易过拟合(wd模型的训练比评估指标高7%)。GBM通过boosting的方式组合集成多个submodel和高级特征，更好地发挥各自不同的作用和优势互补，同时从整体上有更好的可解释性。

上面是对信息流短视频排序模型演进的简要介绍；而其中的FM+GBM模型是我们团队比较有开创性的一项工作，下面稍微展开介绍。

模型

向量分解机（Factorization Machines, FM）是一种应用较为广泛的推荐模型，其发明者Steffen Rendle目前供职于Google。FM是对传统LR模型在处理高阶交互特征问题上的优化和改进：LR通过特征交叉的方式࿰