vivo互联网业务场景简介
vivo不仅专注于手机业务，还拥有优质的互联网应用。其主要应用包括：
- 应用商店：日活跃用户7056万
- 游戏中心：日活跃用户1488万
- i视频：日活跃用户1988万
- 浏览器信息流：日活跃用户9788万
数据截至2022年6月。
推荐技术应用的挑战与突破
挑战
- 多样性和复杂性：支持数十个APP和上百个应用场景，涵盖多种需求和复杂商业产品。
- 转化目标链路：关注深度转化目标，如点击下载、激活、注册、次留、付费等。
- 技术效果衡量：引入行业顶尖团队作为标杆，采用中立的OKR考核机制，基于效果分配流量。
突破
- 构建统一推荐系统：实现行业算法的整体效果对齐。
- 商业化效果：追赶甚至超越行业标杆。
推荐技术在商业化业务实践
整体推荐架构
-
训练框架
- 参数服务器：处理千亿级别的参数。
- 异步与同步计算，减少跨物理机通信，优化梯度震荡。
-
预估架构
- Feature Server、Cross Ext-GPU、Pooling op-GPU、Pred-GPU等。
召回优化
- 基于曝光样本建模
- 基于精排队列建模
- 深度兴趣匹配建模
- 重定义目标，提高系统一致性
CTR优化（精排模型）
- 多场景样本联合
- 各场景统计数据建模
- Wide & Deep / Wide & 分场景Deep
CVR优化（精排模型）
- 增加转化类型交叉
- 各目标网络独立
- 丰富数据利于embedding学习
- 信息提取更充分，个性化门控
总结与展望
- 利用后发优势：构建统一推荐系统，应对多场景、多服务的问题。
- 场景业务特点：落地多任务模型，解决目标多、链路深的问题。
- 交流合作：优化整体算法+架构。
- 未来方向：
- 图像、NLP等信息未直接参与推荐技术的学习，存在信息损失。
- 运用知识推理、融合能力，推动更多迁移学习。
- 持续优化数据、算法，降低数据安全（隐私）等问题的影响。
- 改善用户体验与商业化变现能力的平衡。
联系邮箱：di.shao@vivo.com
个人微信：推荐系统框架C++工程师
