（8）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题2】

系列文章传送门

（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】
（2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】
（3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】
（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】
（5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】
（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】
（7）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题1】

该系列文章根据小红书搜推算法工程师、团队负责人王树森B站上主讲的《工业界的推荐系统》之小红书业务场景及内部实践整理而得。感谢大佬分享工业界前沿的推荐系统实战技术！

这篇文章讲解工业界推荐系统实践中对于冷启动问题的处理技巧，包括：冷启动评价指标、召回通道、聚类召回、Lookalike人群扩展、流量调控以及冷启动中的AB测试等。

Lookalike 人群扩散

Look-Alike起源于互联网广告

Look-Alike用于新笔记召回

Look-Alike人群扩散召回

• 点击、点赞、收藏、转发——用户对笔记可能感兴趣。
• 把有交互的用户作为新笔记的种子用户。
• 用 look-alike 在相似用户中扩散。
  
  
  
  

流量调控

冷启动的优化点

• 优化全链路(包括召回和排序)。
• 流量调控(流量怎么在新物品、老物品中分配)。

扶持新笔记的目的

• 目的1：促进发布，增大内容池。
  • 新笔记获得的曝光越多，作者创作积极性越高。
  • 反映在发布渗透率、人均发布量。
• 目的2：挖掘优质笔记。
  • 做探索，让每篇新笔记都能获得足够曝光。
  • 挖掘的能力反映在高热笔记占比。

工业界的做法

• 假设推荐系统只分发年龄 <30 天的笔记。
• 假设采用自然分发，新笔记(年龄 <24 小时)的曝光占比为 1/30。
• 扶持新笔记，让新笔记的曝光占比远大于 1/30。

流量调控技术的发展

1. 在推荐结果中强插新笔记。
2. 对新笔记的排序分数做提权(boost)。
3. 通过提权，对新笔记做保量。
4. 差异化保量。

新笔记提权

• 目标：让新笔记有更多机会曝光。

  • 如果做自然分发，24小时新笔记占比为 1/30。
  • 做人为干涉，让新笔记占比大幅提升。

• 干涉粗排、重排环节，给新笔记提权。

• 优点：容易实现，投入产出比好。

• 缺点：

  • 曝光量对提权系数很敏感。
  • 很难精确控制曝光量，容易过度曝光和不充分曝光。

新笔记保量

保量的难点

• 保量成功率远低于 100%。
  • 很多笔记在24小时达不到100次曝光。
  • 召回、排序存在不足。
  • 提权系数调得不好。
• 线上环境变化会导致保量失败
  • 线上环境变化:新增召回通道、升级排序模型、 改变重排打散规则…
  • 线上环境变化后，需要调整提权系数。
• 思考题
  • 给所有新笔记一个很大的提权系数(比如 4 倍)， 直到达成 100 次曝光为止。
  • 这样的保量成功率很高。
  • 为什么不用这种方法呢?
• 给新笔记分数 boost 越多，对新笔记越有利?
  • 好处:分数提升越多，曝光次数越多。
  • 坏处:把笔记推荐给不太合适的受众。
    • 点击率、点赞率等指标会偏低。
    • 长期会受推荐系统打压，难以成长为热门笔记。

差异化保量

• 保量：不论新笔记质量高低，都做扶持，在前 24 小 时给 100 次曝光。

• 差异化保量：不同笔记有不同保量目标，普通笔记 保 100 次曝光，内容优质的笔记保 100~500 次曝光。

  • 基础保量：24 小时 100 次曝光。
  • 内容质量：用模型评价内容质量高低，给予额外保量目标，上限是加 200 次曝光。
  • 作者质量：根据作者历史上的笔记质量，给予额外 保量目标，上限是加 200 次曝光。
  • 一篇笔记最少有 100 次保量，最多有 500 次保量。

AB test

• 作者侧指标:
  • 发布渗透率、人均发布量。
• 用户侧指标:
  • 对新笔记的点击率、交互率。
  • 大盘指标:消费时长、日活、月活。

用户侧实验

缺点：

• 限定:保量 100 次曝光。
• 假设:新笔记曝光越多，用户使用APP时长越低。
• 新策略:把新笔记排序时的权重增大两倍。
• 结果(只看消费指标):
  • AB测试的diff是负数(策略组不如对照组)。
  • 如果推全，diff会缩小(比如 −2%à−1%)。

作者侧实验