（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】
（2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】
（3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】
（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】
（5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】
（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】
（7）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题1】
（8）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题2】
（9）工业界推荐系统-小红书推荐场景及内部实践【排序模型】

推荐系统链路

用户画像

• 用户 ID(在召回、排序中做 embedding)。
• 人口统计学属性:性别、年龄。
• 账号信息:新老、活跃度…
• 感兴趣的类目、关键词、品牌。

物品画像

• 物品 ID(在召回、排序中做 embedding)。
• 发布时间(或者年龄)。
• GeoHash(经纬度编码)、所在城市。
• 标题、类目、关键词、品牌…
• 字数、图片数、视频清晰度、标签数…
• 内容信息量、图片美学…

用户统计特征

• 用户最近30天(7天、1天、1小时)的曝光数、点击数、 点赞数、收藏数…
• 按照笔记图文/视频分桶。(比如最近7天，该用户对图文笔记的点击率、对视频笔记的点击率。)
• 按照笔记类目分桶。(比如最近30天，用户对美妆笔记的点击率、对美食笔记的点击率、对科技数码笔记的点击率。)

笔记统计特征

• 笔记最近30天(7天、1天、1小时)的曝光数、点击数、 点赞数、收藏数…
• 按照用户性别分桶、按照用户年龄分桶…
• 作者特征:
  • 发布笔记数
  • 粉丝数
  • 消费指标(曝光数、点击数、点赞数、收藏数)

场景特征

• 用户定位 GeoHash(经纬度编码)、城市。
• 当前时刻(分段，做 embedding)。
• 是否是周末、是否是节假日。
• 手机品牌、手机型号、操作系统。

特征处理

• 离散特征:做embedding。

• 用户ID、笔记ID、作者ID。
• 类目、关键词、城市、手机品牌。

• 连续特征:做分桶，变成离散特征。

• 年龄、笔记字数、视频长度。

• 连续特征:其他变换。

• 曝光数、点击数、点赞数等数值做 log 1 + 𝑥 。
• 转化为点击率、点赞率等值，并做平滑。

数据服务链路