6月21日，WOT2019全球技術峰會暨全球人工智能技術峰會在北京粵財JW萬豪酒店隆重舉行。本次峰會圍繞人工智能領域的通用技術、應用領域以及企業賦能三大主題展開，每個主題設置四大專場，涵蓋機器學習實踐、知識圖譜技術、AI智造、智能安防、智能金融、智能商業創新、智能行業賦能等，共計12大專場，42個話題的分享與討論。6月21日下午，通用技術主題峰會正式拉開帷幕，機器學習實踐、搜索推薦算法、知識圖譜技術、NLP和語音識別四大專場同時進行，十幾位講師為與會嘉賓帶來精彩的技術分享。

　　當前，基于人工智能的搜索推薦算法逐漸占據上風。如何結合自身業務數據的特點，設計合適的深度推薦與搜索算法，同時設計合理的架構保證算法的穩定運行，是搜索推薦算法專場的主要關注點。在6月21日下午的搜索推薦算法分論壇上，來自第四范式推薦業務算法團隊負責人程曉澄、荔枝FM推薦系統架構師莊正中和金山西山居游戲AI技術專家黃鴻波，從不同的應用場景出發，詳細解讀了搜索推薦算法在不同領域的實踐應用與落地案例。

　　程曉澄：搭建現代推薦系統需要邁過哪些難關

　　作為本場論壇的首位演講嘉賓，第四范式推薦業務算法團隊負責人程曉澄帶來了《搭建現代推薦系統需要邁過哪些難關》的主題分享，介紹了當前推薦系統如何同時服務于用戶增長、商業變現、用戶體驗等多元化的目標，闡述了推薦系統各模塊的發展現狀，以及各個環節工程落地的難點。

　　推薦系統對商業效率的提升已有諸多驗證，在內容閱讀場景中，通過推薦系統讓產品流量和收入大幅提升的案例不乏少數。隨著推薦系統的發展和成熟，商業應用對推薦系統提出了更高的要求。

　　程曉澄表示，推薦是門檻相對較高的技術，從頭開始起步難度較高，而通過云服務的推薦系統，可以幫助其他企業快速布局推薦業務，提升他們的轉化和收入。他認為，要把推薦做成一個比較先進的系統，需要分成三個維度：一是從業務維度看核心算法;二是從算法維度看怎樣服務好目標;三是從工程落地維度看最核心的內容是什么。

　　在接下來的時間里，程曉澄從業務語言講起，詳細介紹了推薦系統的搭建過程。

　　程曉澄表示，大部分需要推薦的場景、推薦的產品，追根溯源到商業模式上就是流量變現，流量變現又分為流量和商業目標兩個部分。從流量角度來講，就是指產品有多少人使用，使用時間是多長;從商業目標來講，就是在流量基礎上實現了多少收入。程曉澄強調，可以把流量變現看成一個漏斗，上層要有大量數據，有了數據量才能更快的出效果。接下來，必須要做好產品，并根據用戶的行為進行精準的內容推送，提高產品體驗，關注產品增長。完成這兩步之后，就需要考慮產品變現了，這就需要對付費項目進行優化，把算法能力輸出到廣告場景上，以此來提高點擊率、轉化率等等。

　　從算法角度來講，召回、模型、干預是最基本的三步推薦流程。推薦就是指選出適合用戶的時段進行推薦，占滿一屏內容;模型是指算法工程師根據業務去建立一套算法模型，并根據不同業務采用不同的算法模型。最后，要在業務的各個環節中實施干預。

　　程曉澄表示，一個成功的推薦系統一要對目標的設定足夠清晰，且目標要衡量、要量化;二是推薦的物料要足夠豐富;三是對產品的指標和優化要有一定層次的理解。他強調，從方法論來講，推薦應該尊重經驗進行優化，因為算法是一個實驗科學，對好的項目來講每個idea來自于觀察提出的假設，基于假設想出的一個優化方案策略，而這個策略是否真的生效，最終還需要驗證。所以，一個理想的、高效的場合，能夠同時進行幾個或者十幾個實驗同時在線上跑。

　　莊正中：荔枝APP的UGC推薦系統探索與實踐

　　接下來，荔枝FM推薦系統架構師莊正中帶來了《荔枝APP的UGC推薦系統探索與實踐》的主題演講。他首先介紹了荔枝的推薦理念，以及內容理解、用戶理解、算法模型和交互設計四大關注點;隨后介紹了荔枝推薦系統的主要架構，在音頻推薦系統建設中遇到的難點和應對策略，以及提取音頻內容特征和新聲音發現機制。

　　莊正中表示，作為一家以音頻為媒介傳播的UGC平臺，公司對于平臺推薦的理念有三個方面的理解：一是帶用戶聽見世界;二是發現用戶聲音的才華;三是讓用戶更輕松的表達自己的聲音。以帶用戶聽見世界為例，其實就是建立用戶到內容的連接，可以把推薦系統看成點到點的圖模，把用戶看成一個結點，推薦系統要做的事情就是把更多的用戶結點，連接上更多的內容結點，同時讓用戶結點產生觀眾，增加結點之間的數量和長度。在這個過程中，推薦算法是推薦系統中間的一個環節。

　　而關于發現聲音的才華，就是讓用戶利用平臺來展現自己，表現自己的才華。由于每天都會產生很多新用戶，就要解決資源與用戶需求分配的問題，所以推薦算法怎樣最合理的去分配固定資源，使得平臺整體收益最大化，這就是算法所做的工作。

　　在接下來的時間里，莊正中結合荔枝的一些實踐，從音頻處理、探索新應用、發現聲音的價值三個方面深入解讀了荔枝推薦的一些做法和經驗。他表示，在算法上荔枝更加關注怎樣幫助長尾新內容的發掘更加公平，因為很多推薦算法的長尾能力很差，熱度效應很重，會不斷的強化系統的馬太效應，會非常依賴頭部主播，因此對內容提出了動態權重。在內容理解和新內容發現上，首先通過不同的算法進行語音識別，然后對內容進行分類處理，再次設定不同的關健詞以方便搜索，最后是對內容進行重新定義，適合什么樣的場景、什么樣的人群聽。

　　據莊正中介紹，荔枝會通過二個體系來分析新內容的好壞，一是主播的價值體系，所有用戶的行為反饋都會反向到主播身上，用來評價主播好壞;二是塑造漏斗模型，不斷把粉絲的內容和用戶吸引過來。

　　據了解，荔枝的發現系統(即推薦系統)首先會進行內容分析和流量測試，通過配制不同的流量測試通道在不同的引擎曝光，每個引擎用算法同時提供。對于算法的好壞，會有兩個判斷指標，一是CTR有沒有達到平均值，二是對內容進行評估。當然，這些都是由數據分析來支撐的，因此能否保證數據的實時性，能否收集到想要的數據，數據的正確性是否能夠保證，都是基于內容的推薦算法。

　　最后，莊正中從一個新節目的制作過程，詳細介紹了推薦算法的實施過程，并著重介紹了一些典型的推薦策略，例如用強化學習應對用戶興趣探索的Explore&Exploit算法，采用DSSM做長尾召回的嘗試，參數降維的FFM排序算法，產品運營策略+機器學習的融合模型排序等。莊正中表示，推薦系統的最終目標是讓主播覺得有希望，讓用戶發現新內容，最后衡量內容的好壞，衡量系統的多樣性，這即是荔枝推薦系統的一個公平性的指標。

　　黃鴻波：推薦系統在“劍網3推欄”項目中的落地

　　作為壓軸分享嘉賓，金山西山居游戲AI技術專家黃鴻波分享了推薦系統在“劍網3推欄”項目中的落地經驗。他表示，游戲娛樂也是推薦系統的重要應用場景之一， “劍網3推欄”是《劍網3》玩家首選的娛樂聚集地，集官方資訊、趣味內容、玩家社交、創作分析、專業工具、游戲視頻和輔助工具于一體，提供實時專業的競技數據，游戲互通的社交服務APP。

　　黃鴻波圍繞特征選取、離線計算和在線預測三大階段，分享了如何進行千人千面、個性化的消息推薦，并結合“劍網3推欄”項目的落地經驗，詳細講解了推薦系統的架構、流程，總結了常見的各種問題和破解方法。

　　“劍網3推欄”的推薦系統架構流程是用戶進入AI交互界面之后，每次點擊或者評論，都會記錄用戶的行為，并把用戶行為放到數據中臺中，進行數據存儲和整合，包括在線行為和離線行為;之后，通過一套專業算法對在線和離線數據進行計算;最后，將計算結果進行排序。黃鴻波表示，推欄推薦系統架構會遵循多模型聯合分數歸一化策略。據介紹，所謂歸一化就是指把所有值壓縮到一個相同的區間內，保證數據在同一個可以被比較的區間中進行比較，進行倒敘排序，并得到最終結果。

　　通過推欄推薦系統架構流程，劍網3的點擊率提高了53%，閱讀率提高了11%，定贊數達到了15%，評論數達到了4%，收藏量達到了22%。

　　在演講最后，黃鴻波重點分享了召回結果不均衡的問題及解決策略。他表示，召回結果不均衡主要是召回數量過多和召回數量過少，“劍網3推欄”的解決策略是使用多模型聯合，由于每種模型都有一個數據級結果，且數據級結果的交集點擊率會相對較高，因此可以通過多模型聯合分數歸一化策略進行排序和補充。如果召回數量過多，可以按照分數從后到前刪除。如果召回數量過少，根本原因是由于模型質量導致，這時可以通過增加召回算法和擴大參數，用增量緯度等方式使召回算法由少變多，對召回數量進行補充之后，再使用排序策略進行排序，得到想要的結果。