当推荐遇到社交：美图的推荐算法设计优化实践 _推荐算法

机器之心专栏
作者：汤斌

本文是美图高级算法专家汤斌的一篇文章，重点介绍了社交网络背景下推荐算法面临的挑战，以及应对的方法。

在美图公司社交战略部署下，推荐算法存在多方面的挑战，为了解决这些挑战，我们团队从工具和算法两个方面分别开展了工作。
在工具上，我们开发了 MML 机器学习平台，提供从数据分析到模型在线服务的全流程开发及部署支持。基于 Tensorflow，我们内部自研了 Bamboo 建模框架，提供了丰富的 SOTA 模型，常用 Layers 以及其它建模所需的组件，模型离线评估等，让算法工程师专注网络结构的设计。
在算法上，我们将推荐排序的演进划分成四个阶段，从线性模型+大规模人工组合特征，到非线性模型+少量人工特征，再到深度学习模型+用户行为序列特征，最后是从单目标优化到多目标优化。推荐排序四个阶段的演进，又可以归纳为三个方面的工作，分别是模型优化、特征工程，以及多目标优化。
在过去的一年，我们在美拍，累计提升人均关注 65.06%，人均时长 56.07% 。美图秀秀，累计提升人均关注 14.93%，人均时长 10.33% 。在这一年的实践中，我们进行了很多的尝试，在这里也和大家分享我们过去的一些尝试和踩过的一些坑，希望能让大家有所收获。
推荐算法的技术挑战

目前，美图公司旗下拥有多款社交产品，比如美图秀秀社区、美拍短视频社区等。针对这几款社交产品，不管在内容上还是产品背景上都有着自己的特点。比如美图秀秀从工具向社区转型，如何让用户进行内容消费并且产生持续消费成了我们需要重点考虑的问题。而对于美拍，用户本身有很强的内容消费属性，在留存的基础上如何吸引更多的用户是当前主要的考虑点。
针对多个不同形态的社交产品，推荐算法存在以下三个方面的挑战：

场景多，人力少：多款社交化产品合计十余个推荐场景，在当前的人力下，工作量是比较艰巨的；
场景、用户差异大：不同场景下，用户的消费习惯和使用意图，以及内容的属性存在比较大的差异，比如，美图秀秀社区以图文为主，美拍以短视频为主，导致不同场景下的模型不能简单复用；
产品、目标迭代快：用户的生活习惯不是一成不变的，我们的社交产品也时刻处在不同的发展阶段，需要根据用户的诉求，以及我们产品的发展需求及时调整推荐算法的优化目标。

为了解决上述挑战，我们分别从工具和算法两个方面入手。在工具上，去年我们开发了 MML 机器学习平台，提供从日志处理到模型在线服务的一站式解决方案。在算法上，我们在美图推荐场景上进行了良好的实践，针对目前存在的问题以及产品的需要，进行了很多有益的尝试，也获取到了一些经验。下面我将从工具和算法这两方面和大家分享下。
工具篇：MML 机器学习平台
MML，全称 Meitu machine Learning Platform，是一站式机器学习服务平台，为用户提供从数据预处理，特征与样本生产，模型构建、训练与评估以及模型在线服务的全流程开发及部署支持。其平台架构图见图一。