推荐系统——召回策略中的融合

目录

一、多路召回的融合策略

二、长短混推

三、多模态数据的融合利用

四、多任务学习

五、长短期融合

---

一、多路召回的融合策略

为保证召回的多样性和覆盖率，通常都会采用多路召回，然后融合的策略。

但如何将多路召回融合，不同候选集的召回结果应该如何排序，是其中的核心问题。

通常是将效果稳定、覆盖率和点击率都最高的模型（如协同过滤）作为优先级第一的召回策略，然后将能够利用用户实时行为数据的模型（如youtubeDNN实时模型）作为优先级第二的召回策略，然后将覆盖率广、能探索到用户行为隐信息、且与协同的召回结果重合度低的模型（如embedding模型）作为优先级第三的召回策略。除此之外，还有倒排策略、兴趣探索、新视频召回、userCF等召回策略。

二、长短混推

1、解决用户冷启动问题

对于只有短 / 长视频消费信息的用户，在对其进行长 / 短视频推荐时，可以根据短 / 长视频的标签、类别、作者、kis等信息来进行召回

2、在流量较小、点击率较低的底部流，由于用户的兴趣偏好不明确，通常采用长短混推的策略来进行召回，以保证召回结果的多样性

3、画像增加长短视频偏好，为短视频vv+长视频vv+短视频播放时长+长视频播放时长+最后一次观看视频类型+最早一次观看视频类型，对不同偏好得分的用户，按照概率控制召回长短视频的位置；

4、长短混推的目标是提高用户留存&#