微博推荐系统架构揭秘：基于机器学习的个性化Push应用实践

【51CTO.com原创稿件】Push 作为一种有效的召回用户的产品，近几年来被各类 App 广泛应用。但是 Push 存在两面性，如果推荐的消息准确，则能够有效地召回用户，反之，就会对用户造成骚扰。

通过机器学习进行个性化 Push，给用户推送其感兴趣的内容，既能最大程度地降低对用户的骚扰，同时也能有效地提升 Push 的打开率。

2018 年 5 月 18-19 日，由 51CTO 主办的全球软件与运维技术峰会在北京召开。

在“人工智能技术探索”分会场，新浪微博的技术专家齐彦杰，给大家带来了《机器学习在微博个性化 Push 的应用》的主题演讲。

他和大家分享了微博个性化 Push 如何基于海量数据，通过机器学习有效提升打开效果的一些做法和思路。

本文按照如下四个部分展开：

• 为什么要做 Push 业务
• 微博个性化 Push 的场景
• 微博个性化 Push 的机制
• 微博基于机器学习的个性化 Push 应用

为什么要做 Push 业务

众所周知，微博是社交媒体中的领跑者，它于 2009 年 8 月份上线;2013 年底，MAU(月活用户数)突破了一亿;2015 年 9 月，DAU(日活用户数)突破了一亿。

2017 年 9 月，MAU 达到 3.76 亿;2018 年 3 月，微博的MAU突破了 4.11 亿。该增长速度是相当惊人的。

当微博的 MAU 超过 4.1 亿之后，这么庞大的用户体量以及用户关系，本身必定会更大发挥其社交媒体的属性。

下面我们来看为何要去做 Push 业务。如上图右边所示，这些都是大家印象非常深刻的事件。

如果我们能够在第一时间把这些事件推送给目标用户，一定会满足用户对重大消息及时性的需求。

所以，每当国内、外有重大事件发生的时候，我们都会做一些提醒发给大家。

同时我们又是一个社交媒体，当用户所关注的博主发出博文的时候，他们都希望能够以内容提醒的方式，收到自己感兴趣的通知类消息。

根据上述需求，我们将微博上的 Push 大概分为：热点 Push、个性化 Push、关系 Push、区域 Push 和直播 Push 等类型。

上图右侧是微博 Push 的展现形态，它们包括一些文案和简介，且都是在通知栏里展现出来的。

可见，Push 本身具有站方主动推送的特征，而用户则处于一种被动提醒的状态。

然而它的挑战性是：用户在信息流中通过一次性刷新，就能带来十多条的信息曝光，命中用户兴趣点的概率较大，而 Push 是单条曝光，命中的概率小了很多。

但是，如果 Push 的发送过于频繁，则会引起用户的反感。因此，我们希望在尽量少发的前提下，尽快找到用户的兴趣点。

它具有一定的复杂性和挑战性。即在降低对用户骚扰的同时，提升用户的点击规模。

所以，我认为 Push 的本质就是一个高效的内容分发系统，它能够在较短的时间内为各种内容找到其目标群体，并且发送给相应的消费者。

同时，对于个人用户来说，它应该是一个拥有足够丰富经验的私人秘书，帮助用户在海量的内容源中，找到喜欢的消息，并及时的提醒用户进行查阅。

微博个性化 Push 场景

下面我们来看看个性化 Push 的场景。上图是 2017 年对于微博用户的分析，用户从 18 岁以下到 41 岁以上有着广泛的年龄层次分布。

相对于微博这种体量的平台，就算 41 岁以上的人群仅占 5.6%，其绝对数量也有几千万的群体。

就地域而言，一、二、三、四线、及港澳台城市，都有大量用户的分布。

同时微博用户的兴趣点也是非常分散的。内容涉及明星、汽车、电影、美食等方面。

在如此庞大的用户群体和用户喜好分布的情况下，微博本身的内容品种也是非常丰富的。

如上图左侧所列的、微博热门的首页分类，以及右侧是某一时刻的、热门话题的列表，可见它是多么的丰富和繁杂。

鉴于用户有如此广泛的兴趣，我们该如何在较短的时间内，为他们匹配并推送喜欢的内容呢?

这就是我们个性化 Push 所要解决的问题。我们需要构建一个推荐系统，有针对性地为不同的用户找到他们所喜欢的内容。

微博个性化 Push 机制

由于所有的推荐系统，基本上都是从内容源头上去寻找用户喜欢的资源。那么对于微博而言，其源头就是全量的原创博文。

每天，这些博文以几千万的量级产生，但并非所有的内容都适合被推荐给用户的，因此我们需要进行机器和人工的双重筛选。

机器筛选，能帮助我们找到优质的素材。但由于 Push 本身是一个推送的过程，当它所推送的内容包含一些不良内容时，就会给用户带来巨大的困扰，因此，为了规避风险，我们加入了人工审核的环节。

在人工审核完成之后，我们会得到适合推荐的集合，该集合再利用算法去匹配博文和用户，即如果两者之间匹配的分数高，我们就会通过分发控制将内容下发过去。

同时，我们通过对“已读、已发”进行过滤，以保证所发出去的内容不是用户已经看过的。

另外，大家使用微博的时间偏好会有所不同。如果我们在用户工作的时候给他发送博文消息，那么由于他在此时并不想消费内容，因此会构成一定的骚扰。

而到了中午，当有空再去查看时，该内容已经过时了。所以我们需要选择用户最想看微博的时间段，将内容发送过去。

有了前面推荐系统的流程概念，我们具体来看一下评分的过程。首先，我们通过物料生成模型进行审核，筛选出全量优质的内容，并放入物料池之中。而物料池需要实时地更新其互动的内容。

例如，物料池根据某条博文在当前时间点的转发次数与评论次数，予以实时更新。

在完成更新之后，我们会以分钟为间隔单位，去拉取所需的物料和参与计算的用户，使用 Rank 模型算出分值和排序，并从中筛选出对于用户最感兴趣的博文予以下发。

上图的 Rank 模型旁边是“协同推荐”。在一般系统中，会将协同作为一种召回的方式，将协同所产生的内容，放在物料召回的部分中再做推荐。

但是在该场景下，根据我们做过的测试，协同推荐的效果好于 排序 模型，因此我们认为没有必要再“走”一遍排序模型，完全可以直接发送下去了。

而在经历了基础过滤的下发后，我们会实时地收取下发日志和点击日志。这两种日志再通过更新物料池，影响物料生成模型和运营审核部分，从而为筛选环节提供帮助。

微博基于机器学习的个性化 Push 应用

理解了推荐系统的结构，我们再来看如何将机器学习在个性化 Push 中进行具体应用。

上图是我们整体的架构，其最下端是博文信息、用户信息、行为信息等。我们会根据这些信息挖掘出各种非常具象的特征。

利用这些特征进行模型训练和评估，就能得出排序模型和物料模型。当新模型达到需求，我们就会将这些模型运用到线上，进行排序策略、和 CTR 预估。

最后线上的数据被再次“传导”回来，成为下面的基础数据部分，以供模型下一次的训练与迭代。

特征构建

上面提到了特征的构建，那么我们如何来具象各种特征呢?

兴趣维度

对于一篇博文而言，微博通过“三级标签体系”来具现它所代表的特征含义。通过记录用户对博文的消费来记录其兴趣方向。

如上图所示：首先，最上面的是比较宽泛的，如“体育领域”;其次是“足球”;“足球”下面会有“梅西”、“C 罗”。

在某个用户消费了带有“梅西”标签的博文后，只要他多次打开或互动，我们就认为该用户是对于“梅西”感兴趣的，就会把“梅西”标签记录在用户信息中。

我们把用户兴趣标签和博文标签作为特征加入到模型中，进行训练，就能表示用户对博文内容的兴趣程度。

关系维度

检查某个用户与其关注的博主是否有过直接的互动行为。如果他们在历史上的互动次数非常频繁的话，我们就认为该博主所会产生的博文特别契合此用户的需求，那么他们的关系也可以作为一个纬度特征，被加入进来。

实时维度

或称“先验”纬度。由于 Push 在其应用的场景中所使用的物料相对较少，其“曝光”的机会更少，因此所推送的内容必须是热点中的热点。

我们通常会将各种博文在其他领域里的消费点击率作为“先验”数据传导回来，通过导入至模型中，以给我们提供帮助。

环境维度

包括推送的时间、设备的网络信息、和设备本身的信息等。

模型升级

有了上述各种特征之后，我们再讨论一下 Push 业务的模型升级过程。首先，我们从 LR(Logistic Regression)开始做了一个 Base Line。

由于 LR 模型在实践中不但非常简单，同时解释性也不错，而且它特别适合于大规模的计算，因此我们将其作为 Base Line 之后，就有了一个基础性的数据。

在那之后，我们升级到了FM(Factorization Machines)模型，以及现在所做的 Wide&Deep 模型。

线性模型

上图是对 LR 模型的介绍。由于该模型比较难以捕捉用户的组合特征，因此在被使用时，大家往往会增加一些人工的组合特征进去。

例如，我们在此改进为“两两特征组合”，当然也可使用多维特征的组合方式。

不过它存在的问题是：由于本身特征就很稀疏，如果做了组合，其对应的样本变得更加稀少。

而对于模型而言，样本是至关重要的，因此我们使用该模型无法学习到足够多的信息。

FM 模型

在此基础上，业内专家想了一种模型--FM 模型，它是把 LR 模型+“Dense 化两两特征组合”。

即并不直接对 WIJ 进行求导，而是把 WIJ 拆分成了两个向量纬度的乘积予以表现。

同时，它的向量与所有特征共同计算，因此它在泛化能力上有所提升。

具体实现方式如上图所示。该模型在上线之后，在 Push 业务效果的提升非常明显。

Wide&Deep 模型

有了上述的两两特征组合之后，我们还引入了 Wide&Deep 模型。即：通过把 Wide 模型和 Deep 模型相结合，既保留了 Wide 模型里面的记忆能力，又具有一些高阶的特征组合优势。

因此，该模型具有更强的表现能力。当然，它也带来了计算量增加的问题。

深度模型通常网络节点很多，用于线上业务计算量比较大，因此我们相对于原论文，进行了适当地裁剪。

我们使用该模型的网络结构如上图所示，三层网络节点分别是 64、128、256。尽量保证在离线指标下降较小的情况下，简化网络。

模型训练

下面和大家分享一下，我们在工作中遇到过的一些问题和使用的技巧。

对于微博中不同频次的用户而言，由于他们的使用习惯差异较大，如果简单地将其放入同一个模型，则效果不佳。

因此，我们对于不同用户的频次进行了拆分，分别训练了高频次、中频次和低频次类型的用户。同时，我们在负样本的选择上做了一些调整。

由于服务器在做推送(Push)的时候，用户不一定能真的收到、收到了也不一定会被系统所展示出来、就算系统展示出来了也不一定会被用户所看到。

因此我们不能简单地将推送曝光的样本作为负样本，而应当选取历史上有过正样本的用户，将他们在获得正样本触发时，所并未点击到的上下几条曝光，来作为负样本。

籍此，我们的表现能力、点击量和点击率都有了显著的提升。

其他的方法与技巧还包括：

• 在物料模型上，我们采取的是机器投稿+人工审核的方式。
• 在物料召回上，我们采用了兴趣领域召回、热点召回、和文本 embedding 召回等。
• 在排序的方面，我们使用了分片批量计算。因为我们每天要发送几个亿规模的推送量，如果每次都是进行全量计算的话，对于服务器的资源消耗会过大，当然也没有必要。

下面分享我们的两个方案。

BoostPush 方案

如果某个物料在未经充分验证的情况下，对所有的用户进行计算，那么就可能因为某一特征的影响导致分值特别高，而造成过大范围的下发。

如此，该不良物料会被展现给成百上千万用户。因此，我们首先会在一个特别小的范围内进行尝试，如果点击率特别高的话，我们再逐渐扩大其权限，层层扩量，直至全站。

通过该 BoostPush 方式，我们既控制了不良物料下发的范围，又将曝光的机会让给了充分验证完成的物料。通过此法，我们的点击量得到了大幅提升。

协同过滤方案

Push 除了能给用户带来最及时的消息推送以外，它还有一项非常重要的作用--给 App 的服务方提供“拉活”效果。

对于一般不常打开 App 的用户而言，推送在“拉活”方面的效果并不明显。

因此，我们需要选取曾经时常点击并打开 Push 消息的那些用户，以他们的行为作为推送的参考，来进行各种相应的协同下发方面的尝试。这对于我们“拉来”新的用户会十分有效。

上面就是我们在实际生产过程中所遇到过的问题，和相应的解决方案。

齐彦杰，新浪微博技术专家。毕业于郑州大学计算机系，微博研发中心技术专家。曾任职于某搜索公司高级架构师，多年从事爬虫、索引、检索、数据分析等方向的研发工作。目前在微博 User Growth 方向中，关注领域在数据挖掘、用户画像、自然语言处理、个性化推荐系统等领域，负责访客信息流推荐、Push 平台信息推荐、用户转化等业务。

【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】