刘强-推荐系统在家庭智能终端上的应用-对外宣讲版

1 .推荐系统在家庭智能终端上的应用 

2 .2009年毕业于中国科学技术大学数学系。有12年大数据与推荐 系统相关实战经验。喜欢读书、暴走和写作。 负责电视猫大数据与人工智能团队。在公司9年多时间里，一手 组建了大数据与人工智能团队，从零开始搭建公司的大数据与推 荐系统平台，将数据分析、推荐系统、搜索等大数据及AI能力应 用于公司业务中。 业余时间创建了「数据与智能」(同名的公众号、视频号、知 乎、今日头条、B站、等自媒体平台号) 社区，聚焦推荐系统、 大数据、机器学习、人工智能等领域的知识分享与传播。 

3 .

4 . 目录 Contents 电视猫个性化推荐 经验与教训 1 2 3 4 5 OTT面临的挑战与困难 目前成果 产品化解决方案 

5 .OTT端面临的困难与挑战 操控不便 家庭多人 内容安全性 以遥控器为主，语音交互还未流行起来 多用户共用一台设备 家庭场景，内容监管较严格 

6 . 目录 Contents 电视猫个性化推荐 经验与教训 1 2 3 4 5 OTT面临的挑战与困难 目前成果 产品化解决方案 

7 .大数据平台：AI&BI赋能业务 一站式数据埋点与日志收集 构建数据与业务双中台 通过中台能力赋能各条产品线 

8 .推荐系统业务流图 AB测试 指标体系 红色是电视猫特有的业务 用户行为数 据 热门推荐 主题推荐 人工标注数 相关推荐 兴趣重排序 据 个性化推荐 流式推荐 特征仓库 第三方数据 数据源 特征 算法 业务 评估 DoraemonB Doraemon iz 基于自建的大数据平台和 Doraemon算法框架，具备提供推荐整体解决方案的能力 

9 .推荐系统范式 范式1：完全个性化范式 范式4：标的物关联标的物范式 范式2：群组个性化范式 范式5：笛卡尔积范式 范式3：完全非个性化范式 所有的推荐产品形态都可以抽象为上述5类推荐范式 

10 .推荐系统范式 推荐范式 产品形态 算法 说明 兴趣推荐、猜你喜欢、会员推荐 ALS、标签、item2vec、DL、追 完全个性化 、主题推荐、兴趣播单 剧模型 每个用户推荐的都不一样 先将用户聚类，同一类用户推荐 群组个性化 列表重排序 ALS、Kmeans、标签 一样，不同类不一样 如圈人运营等 所有用户推荐都一样，如编辑编 非个性化 排行榜、冷启动 topN 排推荐 每个标的物关联一批标的物，不 标的物关联标的物 相关推荐、退出推荐、连播推荐 item2vec，ALS、标签 同标的物关联的不一样 每个用户在每个三级tab上的排 笛卡尔积 新的列表重排序 ALS、深度学习 序方式不一样，将用户喜欢的内 容排在前面 电视猫各类推荐范式包含的产品形态、算法 

11 .推荐产品形态 长视频主题推荐 长视频兴趣重排序 长视频流式兴趣推荐 长视频相似影片 

12 .推荐产品形态 长视频猜你喜欢 短视频退出推荐 短视频连播推荐 短视频实时流式推荐 

13 .企业级推荐系统架构：三阶段的pipeline架构 基础数据/特征服务 召回引擎 排序引擎 节目库 看过的节目 会员用户 热门 主题 协同过滤 Logistic回归 Item2Vec ALS 标签 Wide&Deep 画像信息 下线节目 会员节目 追剧 DL 用户画像 节目评分 用户维度的 数据 视频维度的 数据 Spark计算平台 召回 排序 业务调控 用户行为数 Tensorflow训练平 据 台 推荐系统业务流 人工标注数 据 数仓 调整顺序 置顶热门节目 剔除/替换节目 第三方数据 数据源 计算与存储中心 业务控制 业界主流的三阶段pipeline推荐算法架构，包含召回、排序、业务调控 

14 .推荐业务的抽象 任何一个推荐业务都可以抽象为由数据/模型为节点，算子为边的“有向无环图” 

15 .推荐架构：基于Doraemon框架快速高效构建推荐业务 业务 赋能 A B C D E …… 产品矩阵 业务赋能，复用到新产品 业务范式 热门推荐 退出推荐 相关推荐 拼音搜索 二次 封装 DoraemonBiz 猜你喜欢 连播推荐 tab重排序 主题推荐 算子组装成推荐业务，一个业务对应一 算法模型 个推荐产品形态 矩阵分解 逻辑回归 协同过滤 追剧模型 Word2Vec 一次 封装 Doraemon 深度学习 聚类 过滤看过的 聚合 取热门节目 基于Doraemon框架，对算子、推荐业务进行封装，快速赋能各产品线 

16 .推荐系统：相似影片 以相似推荐为例，可以抽象为有向无环图的 pipeline架构，并可基于Doraemon快速构建 

17 .推荐系统：评估体系 多维度评估推荐系统质量、简单易用的AB测试平台 

18 .推荐系统：指标体系 

19 .推荐系统怎么解决OTT端的困难 操控不便 家庭多人 内容安全性 缩短UI交互路径 多视频类别召回 推荐源人工可控 在用户的关键路径插入推荐模块 分时段召回 推荐结果人工可干预 近实时反馈 业务调控可整合人工规则 面向家庭高度建模 

20 . 目录 Contents 电视猫个性化推荐 经验与教训 1 2 3 4 5 OTT面临的挑战与困难 目前成果 产品化解决方案 

21 .目前成果 15+ 110+ 15+推荐产品形态 构建了一套完善统 播放时长、播放VV 出版《构建企业级 15+算法相关专利 ，推荐覆盖所有用 一的推荐算法体系 占整个大盘比例超 推荐系统：算法、 10+软著 技术赋能B端 户核心路径 ，支撑搜索、长短 过24%、30% 工程实现与案例分 视频推荐业务 析》 

22 . 目录 Contents 电视猫个性化推荐 经验与教训 1 2 3 4 5 OTT面临的挑战与困难 目前成果 产品化解决方案 

23 .经验与教训 将核心精力放到产出最大的核心业务上 构建指标体系量化价值产出、构建迭代闭环 从烟囱式架构到模块化架构 技术栈的统一性，做减法 从关注产品形态落地到关注业务价值 在算法效果、好的产品形态、易于落地之间做好平衡 

24 . 目录 Contents 电视猫个性化推荐 经验与教训 1 2 3 4 5 OTT面临的挑战与困难 目前成果 产品化解决方案 

25 .一站式、全链路、全可视化数据中台 

26 .大数据智能推荐-构建端到端解决方案 超过1.3亿人群，覆盖70%的智能OTT终端 电视猫 标签系统 算法训练 应用训练 注入 爬虫 标注 算法 富媒资注入 算法注入&数据注入 应用模型注入 勾选数据模型映射，电视 基于数据模型构建BI、用 SDK、FTP、API、消息队 构建数据仓库模型、算法 猫大数据BI、AI能力，将 户画像、推荐、搜索等AI 列、数据库等接入方式 模型等各类业务模型 电视猫数据模型完成绑定 应用 数据接入 数据ETL 数据建模 数据应用 

27 .Q&A 

28 .谢谢观看 如需交流，可添加个人微信