摘要

用户会实时兴趣转移，为实现在客户端重排，提出一种 context-aware re-ranking 方法，基于 adaptive beam search

1 引言

1.1 之前架构的问题：

1，需解决 real-time feedback 的问题

2，速度问题

1.2 本文工作：

1，Feature engineering on real-time signals

2，Real-time triggered context-aware re-ranking

1.3 本文贡献：

1，提出一种客户端上重排的解决方案

2，We share unique and important lessons: design philosophy, architecture choices, model designs, feature engineering

3，做了很多实验和分析

2 相关工作

2.1 排序算法

1，Point-wise ranking，即看成 regression (e.g., predict user’s rating of a video) 或者 classification (e.g., predict whether the user will like a video) 任务

2，Pair-wise ranking， to learn the distance of a pair of items

3，List-wise ranking，optimize the model’s ranking of a list as a whole

2.2 移动设备的推荐系统

for better utilization of real-time features，our focus is on designing a tiny model that fits on mobile devices

3 系统总览

3.1 服务器端推荐系统

包括经典推荐系统，包括 retrieval, ranking, and re-ranking

3.2 模型训练系统

3.3 客户端推荐系统

1，Feature collection
2，Context-aware re-ranking

4 客户端的排序模型

4.1 设计思路

有两种可能的候选方案：

方案一，在服务器端存embedding向量，在客户端跑一个小模型，这个小模型调用服务器端的embedding向量

方案二，客户端只有一个小模型，这个小模型也是整个模型的一部分，服务端的模型把一些预测的最终分数结果算好 传给小模型

本文选择了方案二

4.2 特征选择

1，服务端特征
2，短视频的标签/属性
3，客户端实时特征

4.3 特征工程

交叉特征来源：

用户对视频的偏好的diff，灵感是用户可能当前又不喜欢 他之前喜欢的视频

上一个视频的持续时间

视频出现次序的diff

4.4 模型结构

模型输入有：实时历史短视频list，候选短视频list，当前短视频，其他特征

也就是给每个短视频分别打分，每个打分的时候的输入是这些

5 实时触发重排

重排用了adaptive beam search，对比了greedy search

6 实验结果

6.1 离线AUC

离线AUC，对比了baseline模型

6.2 在线 A/B 测试的效果

+0.907% 观看
+5.956% 喜欢
+11.795% 关注