（10）工业界推荐系统-小红书推荐场景及内部实践【排序模型的特征】
（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
