QCon北京2018-《深度学习在微博信息流排序的应用》-刘博

• 语言: 中文（简体）
• 格式: .pdf
• 来源: github.com/baiyutang

摘要

文档主要介绍了深度学习在微博信息流排序中的应用。首先，对比了传统线性CTR模型和深度学习模型的优缺点，指出深度学习在表达能力和泛化能力上的优势。接着，详细介绍了深度学习在微博Feed流排序中的实践，包括Wide & Deep架构的设计、样本采样的方法以及网络复杂度对模型性能的影响。最后，总结了当前模型的应用效果，并展望了未来在多模态、用户行为序列embedding等方面的改进方向。

AI总结

### 总结：深度学习在微博信息流排序中的应用

#### 1. **背景与挑战**
微博作为中国领先的社交媒体平台，拥有庞大的用户基数（DAU 1.72亿，MAU 3.92亿），信息流排序是提升用户体验的核心问题。
- **特点**：内容形式多样（博文、图片、视频等），用户行为复杂，实时性要求高。
- **挑战**：海量数据计算、超大规模模型优化。

#### 2. **传统方法与局限**
- **线性CTR模型**：简单高效、可解释性强，但特征工程繁琐，难以表达高维抽象特征。
- **局限性**：难以处理复杂的非线性关系，表达能力有限。

#### 3. **深度学习的应用与优势**
- **深度学习模型**：通过DNN（深度神经网络）增强了模型的表达能力和泛化能力，能够更好地捕捉高维抽象特征。
- **Wide & Deep模型**：结合了线性模型和深度模型的优势，通过连续特征离散化和非连续特征embedding，实现了更高效的特征处理。

#### 4. **算法架构与实践**
- **样本采样**：采用负采样（Negative sampling），基于用户的平均阅读时间划分负样本。
- **网络复杂度**：实验表明，适当的网络深度（如256,128）能够提升模型性能（logloss降低，wAUC提升），但过深的网络可能导致过拟合。

#### 5. **总结与展望**
- **总结**：深度学习在微博信息流排序中取得了显著效果，通过Wide & Deep架构和合理的模型设计，提升了内容推荐的准确性和用户体验。
- **展望**：未来将重点研究多模态模型（如图像、视频的表征）、用户行为序列embedding，以及更复杂的网络结构在CTR预估中的应用。

通过深度学习技术的引入，微博在信息流排序中实现了更智能、更个性化的推荐，显著提升了用户体验。