目录
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&#