【51CTO.com原創(chuàng)稿件】Push 作為一種有效的召回用戶的產(chǎn)品，近幾年來被各類 App 廣泛應用。但是 Push 存在兩面性，如果推薦的消息準確，則能夠有效地召回用戶，反之，就會對用戶造成騷擾。

通過機器學習進行個性化 Push，給用戶推送其感興趣的內容，既能最大程度地降低對用戶的騷擾，同時也能有效地提升 Push 的打開率。

2018 年 5 月 18-19 日，由 51CTO 主辦的全球軟件與運維技術峰會在北京召開。

在“人工智能技術探索”分會場，新浪微博的技術專家齊彥杰，給大家?guī)砹恕稒C器學習在微博個性化 Push 的應用》的主題演講。

他和大家分享了微博個性化 Push 如何基于海量數(shù)據(jù)，通過機器學習有效提升打開效果的一些做法和思路。

本文按照如下四個部分展開：

• 為什么要做 Push 業(yè)務
• 微博個性化 Push 的場景
• 微博個性化 Push 的機制
• 微博基于機器學習的個性化 Push 應用

為什么要做 Push 業(yè)務

??

眾所周知，微博是社交媒體中的領跑者，它于 2009 年 8 月份上線;2013 年底，MAU(月活用戶數(shù))突破了一億;2015 年 9 月，DAU(日活用戶數(shù))突破了一億。

2017 年 9 月，MAU 達到 3.76 億;2018 年 3 月，微博的MAU突破了 4.11 億。該增長速度是相當驚人的。

當微博的 MAU 超過 4.1 億之后，這么龐大的用戶體量以及用戶關系，本身必定會更大發(fā)揮其社交媒體的屬性。

下面我們來看為何要去做 Push 業(yè)務。如上圖右邊所示，這些都是大家印象非常深刻的事件。

如果我們能夠在第一時間把這些事件推送給目標用戶，一定會滿足用戶對重大消息及時性的需求。

所以，每當國內、外有重大事件發(fā)生的時候，我們都會做一些提醒發(fā)給大家。

同時我們又是一個社交媒體，當用戶所關注的博主發(fā)出博文的時候，他們都希望能夠以內容提醒的方式，收到自己感興趣的通知類消息。

??

根據(jù)上述需求，我們將微博上的 Push 大概分為：熱點 Push、個性化 Push、關系 Push、區(qū)域 Push 和直播 Push 等類型。

上圖右側是微博 Push 的展現(xiàn)形態(tài)，它們包括一些文案和簡介，且都是在通知欄里展現(xiàn)出來的。

??

可見，Push 本身具有站方主動推送的特征，而用戶則處于一種被動提醒的狀態(tài)。

然而它的挑戰(zhàn)性是：用戶在信息流中通過一次性刷新，就能帶來十多條的信息曝光，命中用戶興趣點的概率較大，而 Push 是單條曝光，命中的概率小了很多。

但是，如果 Push 的發(fā)送過于頻繁，則會引起用戶的反感。因此，我們希望在盡量少發(fā)的前提下，盡快找到用戶的興趣點。

它具有一定的復雜性和挑戰(zhàn)性。即在降低對用戶騷擾的同時，提升用戶的點擊規(guī)模。

所以，我認為 Push 的本質就是一個高效的內容分發(fā)系統(tǒng)，它能夠在較短的時間內為各種內容找到其目標群體，并且發(fā)送給相應的消費者。

同時，對于個人用戶來說，它應該是一個擁有足夠豐富經(jīng)驗的私人秘書，幫助用戶在海量的內容源中，找到喜歡的消息，并及時的提醒用戶進行查閱。

微博個性化 Push 場景

??

下面我們來看看個性化 Push 的場景。上圖是 2017 年對于微博用戶的分析，用戶從 18 歲以下到 41 歲以上有著廣泛的年齡層次分布。

相對于微博這種體量的平臺，就算 41 歲以上的人群僅占 5.6%，其絕對數(shù)量也有幾千萬的群體。

??

就地域而言，一、二、三、四線、及港澳臺城市，都有大量用戶的分布。

??

同時微博用戶的興趣點也是非常分散的。內容涉及明星、汽車、電影、美食等方面。

??

在如此龐大的用戶群體和用戶喜好分布的情況下，微博本身的內容品種也是非常豐富的。

如上圖左側所列的、微博熱門的首頁分類，以及右側是某一時刻的、熱門話題的列表，可見它是多么的豐富和繁雜。

?[[248845]]?

鑒于用戶有如此廣泛的興趣，我們該如何在較短的時間內，為他們匹配并推送喜歡的內容呢?

這就是我們個性化 Push 所要解決的問題。我們需要構建一個推薦系統(tǒng)，有針對性地為不同的用戶找到他們所喜歡的內容。

微博個性化 Push 機制

??

由于所有的推薦系統(tǒng)，基本上都是從內容源頭上去尋找用戶喜歡的資源。那么對于微博而言，其源頭就是全量的原創(chuàng)博文。

每天，這些博文以幾千萬的量級產(chǎn)生，但并非所有的內容都適合被推薦給用戶的，因此我們需要進行機器和人工的雙重篩選。

機器篩選，能幫助我們找到優(yōu)質的素材。但由于 Push 本身是一個推送的過程，當它所推送的內容包含一些不良內容時，就會給用戶帶來巨大的困擾，因此，為了規(guī)避風險，我們加入了人工審核的環(huán)節(jié)。

在人工審核完成之后，我們會得到適合推薦的集合，該集合再利用算法去匹配博文和用戶，即如果兩者之間匹配的分數(shù)高，我們就會通過分發(fā)控制將內容下發(fā)過去。

同時，我們通過對“已讀、已發(fā)”進行過濾，以保證所發(fā)出去的內容不是用戶已經(jīng)看過的。

另外，大家使用微博的時間偏好會有所不同。如果我們在用戶工作的時候給他發(fā)送博文消息，那么由于他在此時并不想消費內容，因此會構成一定的騷擾。

而到了中午，當有空再去查看時，該內容已經(jīng)過時了。所以我們需要選擇用戶最想看微博的時間段，將內容發(fā)送過去。

??

有了前面推薦系統(tǒng)的流程概念，我們具體來看一下評分的過程。首先，我們通過物料生成模型進行審核，篩選出全量優(yōu)質的內容，并放入物料池之中。而物料池需要實時地更新其互動的內容。

例如，物料池根據(jù)某條博文在當前時間點的轉發(fā)次數(shù)與評論次數(shù)，予以實時更新。

在完成更新之后，我們會以分鐘為間隔單位，去拉取所需的物料和參與計算的用戶，使用 Rank 模型算出分值和排序，并從中篩選出對于用戶最感興趣的博文予以下發(fā)。

上圖的 Rank 模型旁邊是“協(xié)同推薦”。在一般系統(tǒng)中，會將協(xié)同作為一種召回的方式，將協(xié)同所產(chǎn)生的內容，放在物料召回的部分中再做推薦。

但是在該場景下，根據(jù)我們做過的測試，協(xié)同推薦的效果好于排序模型，因此我們認為沒有必要再“走”一遍排序模型，完全可以直接發(fā)送下去了。

而在經(jīng)歷了基礎過濾的下發(fā)后，我們會實時地收取下發(fā)日志和點擊日志。這兩種日志再通過更新物料池，影響物料生成模型和運營審核部分，從而為篩選環(huán)節(jié)提供幫助。

微博基于機器學習的個性化 Push 應用

理解了推薦系統(tǒng)的結構，我們再來看如何將機器學習在個性化 Push 中進行具體應用。

??

上圖是我們整體的架構，其最下端是博文信息、用戶信息、行為信息等。我們會根據(jù)這些信息挖掘出各種非常具象的特征。

利用這些特征進行模型訓練和評估，就能得出排序模型和物料模型。當新模型達到需求，我們就會將這些模型運用到線上，進行排序策略、和 CTR 預估。

最后線上的數(shù)據(jù)被再次“傳導”回來，成為下面的基礎數(shù)據(jù)部分，以供模型下一次的訓練與迭代。

特征構建

上面提到了特征的構建，那么我們如何來具象各種特征呢?

興趣維度

??

對于一篇博文而言，微博通過“三級標簽體系”來具現(xiàn)它所代表的特征含義。通過記錄用戶對博文的消費來記錄其興趣方向。

如上圖所示：首先，最上面的是比較寬泛的，如“體育領域”;其次是“足球”;“足球”下面會有“梅西”、“C 羅”。

在某個用戶消費了帶有“梅西”標簽的博文后，只要他多次打開或互動，我們就認為該用戶是對于“梅西”感興趣的，就會把“梅西”標簽記錄在用戶信息中。

我們把用戶興趣標簽和博文標簽作為特征加入到模型中，進行訓練，就能表示用戶對博文內容的興趣程度。

關系維度

??

檢查某個用戶與其關注的博主是否有過直接的互動行為。如果他們在歷史上的互動次數(shù)非常頻繁的話，我們就認為該博主所會產(chǎn)生的博文特別契合此用戶的需求，那么他們的關系也可以作為一個緯度特征，被加入進來。

實時維度

??

或稱“先驗”緯度。由于 Push 在其應用的場景中所使用的物料相對較少，其“曝光”的機會更少，因此所推送的內容必須是熱點中的熱點。

我們通常會將各種博文在其他領域里的消費點擊率作為“先驗”數(shù)據(jù)傳導回來，通過導入至模型中，以給我們提供幫助。

環(huán)境維度

包括推送的時間、設備的網(wǎng)絡信息、和設備本身的信息等。

模型升級

??

有了上述各種特征之后，我們再討論一下 Push 業(yè)務的模型升級過程。首先，我們從 LR(Logistic Regression)開始做了一個 Base Line。

由于 LR 模型在實踐中不但非常簡單，同時解釋性也不錯，而且它特別適合于大規(guī)模的計算，因此我們將其作為 Base Line 之后，就有了一個基礎性的數(shù)據(jù)。

在那之后，我們升級到了FM(Factorization Machines)模型，以及現(xiàn)在所做的 Wide&Deep 模型。

線性模型

??

上圖是對 LR 模型的介紹。由于該模型比較難以捕捉用戶的組合特征，因此在被使用時，大家往往會增加一些人工的組合特征進去。

??

例如，我們在此改進為“兩兩特征組合”，當然也可使用多維特征的組合方式。

不過它存在的問題是：由于本身特征就很稀疏，如果做了組合，其對應的樣本變得更加稀少。

而對于模型而言，樣本是至關重要的，因此我們使用該模型無法學習到足夠多的信息。

FM 模型

??

在此基礎上，業(yè)內專家想了一種模型--FM 模型，它是把 LR 模型+“Dense 化兩兩特征組合”。

即并不直接對 WIJ 進行求導，而是把 WIJ 拆分成了兩個向量緯度的乘積予以表現(xiàn)。

同時，它的向量與所有特征共同計算，因此它在泛化能力上有所提升。

??

具體實現(xiàn)方式如上圖所示。該模型在上線之后，在 Push 業(yè)務效果的提升非常明顯。

Wide&Deep 模型

??

有了上述的兩兩特征組合之后，我們還引入了 Wide&Deep 模型。即：通過把 Wide 模型和 Deep 模型相結合，既保留了 Wide 模型里面的記憶能力，又具有一些高階的特征組合優(yōu)勢。

因此，該模型具有更強的表現(xiàn)能力。當然，它也帶來了計算量增加的問題。

??

深度模型通常網(wǎng)絡節(jié)點很多，用于線上業(yè)務計算量比較大，因此我們相對于原論文，進行了適當?shù)夭眉簟?/p>

我們使用該模型的網(wǎng)絡結構如上圖所示，三層網(wǎng)絡節(jié)點分別是 64、128、256。盡量保證在離線指標下降較小的情況下，簡化網(wǎng)絡。

模型訓練

??

下面和大家分享一下，我們在工作中遇到過的一些問題和使用的技巧。

對于微博中不同頻次的用戶而言，由于他們的使用習慣差異較大，如果簡單地將其放入同一個模型，則效果不佳。

因此，我們對于不同用戶的頻次進行了拆分，分別訓練了高頻次、中頻次和低頻次類型的用戶。同時，我們在負樣本的選擇上做了一些調整。

由于服務器在做推送(Push)的時候，用戶不一定能真的收到、收到了也不一定會被系統(tǒng)所展示出來、就算系統(tǒng)展示出來了也不一定會被用戶所看到。

因此我們不能簡單地將推送曝光的樣本作為負樣本，而應當選取歷史上有過正樣本的用戶，將他們在獲得正樣本觸發(fā)時，所并未點擊到的上下幾條曝光，來作為負樣本。

籍此，我們的表現(xiàn)能力、點擊量和點擊率都有了顯著的提升。

??

其他的方法與技巧還包括：

• 在物料模型上，我們采取的是機器投稿+人工審核的方式。
• 在物料召回上，我們采用了興趣領域召回、熱點召回、和文本 embedding 召回等。
• 在排序的方面，我們使用了分片批量計算。因為我們每天要發(fā)送幾個億規(guī)模的推送量，如果每次都是進行全量計算的話，對于服務器的資源消耗會過大，當然也沒有必要。

??

下面分享我們的兩個方案。

BoostPush 方案

如果某個物料在未經(jīng)充分驗證的情況下，對所有的用戶進行計算，那么就可能因為某一特征的影響導致分值特別高，而造成過大范圍的下發(fā)。

如此，該不良物料會被展現(xiàn)給成百上千萬用戶。因此，我們首先會在一個特別小的范圍內進行嘗試，如果點擊率特別高的話，我們再逐漸擴大其權限，層層擴量，直至全站。

通過該 BoostPush 方式，我們既控制了不良物料下發(fā)的范圍，又將曝光的機會讓給了充分驗證完成的物料。通過此法，我們的點擊量得到了大幅提升。

協(xié)同過濾方案

Push 除了能給用戶帶來最及時的消息推送以外，它還有一項非常重要的作用--給 App 的服務方提供“拉活”效果。

對于一般不常打開 App 的用戶而言，推送在“拉活”方面的效果并不明顯。

因此，我們需要選取曾經(jīng)時常點擊并打開 Push 消息的那些用戶，以他們的行為作為推送的參考，來進行各種相應的協(xié)同下發(fā)方面的嘗試。這對于我們“拉來”新的用戶會十分有效。

上面就是我們在實際生產(chǎn)過程中所遇到過的問題，和相應的解決方案。

?[[248846]]?

齊彥杰，新浪微博技術專家。畢業(yè)于鄭州大學計算機系，微博研發(fā)中心技術專家。曾任職于某搜索公司高級架構師，多年從事爬蟲、索引、檢索、數(shù)據(jù)分析等方向的研發(fā)工作。目前在微博 User Growth 方向中，關注領域在數(shù)據(jù)挖掘、用戶畫像、自然語言處理、個性化推薦系統(tǒng)等領域，負責訪客信息流推薦、Push 平臺信息推薦、用戶轉化等業(yè)務。

【51CTO原創(chuàng)稿件，合作站點轉載請注明原文作者和出處為51CTO.com】

??