免费企业网站模板 php品牌型网络营销目标

排序01：多目标模型_哔哩哔哩_bilibili

github-PPT

在下列链路中 聚焦于粗排、精排部分。前面介绍精排，粗排和精排相近，为了效率提高进行简化。

目录

0. 排序模型的特征

1. 多目标排序模型（特征拟合四大指标）

2. Multi-gate Mixture-of-Experts (MMoE)多门控专家混合模型

3. 融合预估分数（如何加权融合）

4. 视频播放建模（时长和完播率）

5. 粗排模型——三塔模型

---

0. 排序模型的特征

输入特征包含：之前提到的用户、物品特征，还有统计特征和场景特征。

1. 笔记统计特征 (Item-level Aggregates)

• 最近 30 天（或 7天、1天、1小时）的曝光数、点击数、点赞数、收藏数。

• 按照用户属性分桶，比如性别、年龄。

• 作者特征：发文数量、粉丝数、消费指标（历史曝光/点击/点赞/收藏等）。

2. 用户统计特征 (User-level Aggregates)

• 用户最近 30 天（或 7天、1天、1小时）的曝光数、点击数、点赞数、收藏数。

• 按 笔记类型分桶：这些统计特征能刻画用户兴趣偏好和活跃度。

  • 图文 vs 视频（例如图文点击率、视频点击率）。

  • 类目（如美妆、科技、美食等分类点击率）。

3. 场景特征 (Context Features)

• 用户地理位置：GeoHash（经纬度编码）、城市。

• 时间特征：当前时刻（分段并 embedding），是否周末、是否节假日。

• 设备特征：手机品牌、型号、操作系统。

离散特征 (Categorical Features)

• 常见：用户ID、笔记ID、作者ID、类别、关键词、城市、手机品牌等。

• 处理方式：Embedding，把离散ID映射到低维向量空间，捕捉语义和相似性。

连续特征 (Continuous Features)

• 分桶 (Bucketing)：把连续值离散化，再转成 one-hot/embedding，例如年龄、笔记字数、视频长度。

• 数值变换：对数/平滑，比如：

  • 曝光数、点击数、点赞数 → log⁡(1+x)，避免长尾。

  • 点击率、点赞率等比例特征，可以做平滑（防止样本少时波动过大）。

1. 多目标排序模型（特征拟合四大指标）

排序根据预估笔记的一些指标（点击率  点赞率  收藏率 转发率）多目标神经网络拟合

再对这些指标加权融合成“分数”

系统需要记录笔记的：曝光次数 点击次数 点赞次数 收藏次数 转发次数

训练的时候 这四个指标 就是预测用户是否点击，是否点赞，是二分类，用交叉熵损失

困难：类别不平衡，曝光中点击的很少；点击中收藏的很少，正样本远少于负样本。

采用负样本降采样 平衡类别并提高训练效率。

但是负样本比例减少会导致预测的点击率虚高，需要校准。 点击率=正/总

2. Multi-gate Mixture-of-Experts (MMoE)多门控专家混合模型

MOE Mixture of Experts，专家混合模型：准备一组“专家模型”（experts），每个专家只擅长一部分任务或数据模式。 然后通过一个“门控网络”（gating network），动态决定输入应该交给哪些专家来处理，并加权融合输出。

特征输入到 几个结构相似不共享参数的神经网络（被称为专家）再分别输出几个向量。

也用softmax 额外训练加权权重。 为不同的指标训练不同的权重。

我们期望的是综合多个专家的结果 但可能会出现极化现象（softmax的一个专家权重接近1）

可以在训练时，对 softmax的输出使用 dropout  每个数值被 mask 的概率是 10% 每个专家被丢弃的概率是 10%，这样会强迫每个任务根据多个专家做预测。

如果用 dropout，假如发生极化，某个 softmax 输出的某个元素接近 1，如果这个被 mask，预测的结果肯定错的离谱。为了让预测尽量精准，神经网络会尽量避免极化的发生。

3. 融合预估分数（如何加权融合）

 权重既有乘积又有指数

 排名靠前得分高

  转化过程的参数指数乘积 （超参数都取1则为实际收益）

4. 视频播放建模（时长和完播率）

视频也有笔记的四个特征，但是视频更重要的观看时长和完播率（比点赞收藏等特征甚至更有说服力）

技巧：训练时长的时候映射为 y=t/1+t

好处1. 对于大的t  把“无限的时长”转成“有界的概率标签”     2.短时长的时候就接近于t

  p接近y 的时候 即exp(x) 接近 t

使用交叉熵 因为试用于 0~1之间概率型的变量

对于完播率：二元交叉熵 用p拟合y

但因为长视频完播率低吃亏 所以需要修正；

f函数是一个 这个时长的视频平均完播率的映射函数；比值相当于在这个时长下 相对平均数的水平。

视频越长 需要除以越小的f函数

5. 粗排模型——三塔模型

相对于精排，粗排因为需要处理更多的数据 可以以准确率为代价换取更高效的速率。

精排 将用户特征 物品特征进行融合，n篇候选笔记就需要n次推理。

召回的时候 双塔模型 物体表征b离线计算存储 询问时只用调用户表征a。 后期融合

召回速度快但效果不太好，精排效果好但低效。

三塔模型 用户塔（用户+场景）每次只需要一次推理；

物品塔可以记入缓存重复运用（粗排有筛选 精排无筛选 所以精排可以缓存）；

交叉塔：统计特性 以及user-item交互特性 每次都需要推理，次数多 所以要求网络简单 快速运算。