允中發自凹非寺

量子(zǐ)位報道(dào)公衆号 QbitAI

字節跳動已正式吹響進軍雲計算市場号角。

12 月 2 日，火山引擎全系列雲産品亮相，共推出(chū)了(le／liǎo) 78 項雲産品服務，涵蓋雲基礎、視頻及内容分發、數據中台、開發中台、人(rén)工智能等五大(dà)類。

火山引擎雲産品以(yǐ)性價比、提升業務價值作爲(wéi / wèi)重要(yào / yāo)賣點。發布會上(shàng)，字節跳動 AML（應用機器學習）負責人(rén)項亮出(chū)現在(zài)“新雲·智享盛宴”分會場，詳細介紹了(le／liǎo)智能推薦如何結合雲服務爲(wéi / wèi)企業創造價值，并首次向外界分享了(le／liǎo)火山引擎智能推薦系統的(de)技術演進和(hé / huò)應用實踐。

項亮是(shì)《推薦系統實踐》的(de)作者，其所在(zài)的(de)字節跳動 AML 團隊，爲(wéi / wèi)火山引擎的(de)智能推薦技術服務提供了(le／liǎo)全力支持。

以(yǐ)下爲(wéi / wèi)項亮演講全文。

項亮演講原文

很多人(rén)理解推薦就(jiù)是(shì)推薦算法，機器學習模型怎麽做的(de)、這(zhè)些模型怎麽調參，覺得這(zhè)些很重要(yào / yāo)。其實我想說(shuō)，推薦系統裏底層的(de)工程架構、系統架構非常重要(yào / yāo)，某種程度上(shàng)會超過上(shàng)層的(de)算法。

我們在(zài)内部很多實踐裏也(yě)看到(dào)，底層工程架構、系統架構如果出(chū)現問題，對業務造成的(de)影響是(shì)大(dà)于(yú)算法的(de)。這(zhè)就(jiù)是(shì)火山引擎爲(wéi / wèi)什麽要(yào / yāo)推出(chū)推薦系統平台這(zhè)樣一(yī / yì ／yí)個(gè)偏底層架構的(de)産品。

我給大(dà)家分三個(gè)方面介紹一(yī / yì ／yí)下智能推薦平台：首先介紹推薦在(zài)不(bù)同産品、不(bù)同業務中究竟發揮什麽作用，以(yǐ)及智能推薦平台會給企業帶來(lái)什麽價值；然後我會稍微詳細介紹一(yī / yì ／yí)下平台各個(gè)模塊大(dà)概是(shì)做什麽的(de)，具有什麽能力；最後介紹一(yī / yì ／yí)些我們客戶使用推薦系統的(de)案例。

可以(yǐ)做選擇的(de)地(dì / de)方，就(jiù)可以(yǐ)做推薦

我做推薦系統已經十幾年了(le／liǎo)。很早之(zhī)前，很多人(rén)認爲(wéi / wèi)推薦就(jiù)是(shì)錦上(shàng)添花的(de)工作。但是(shì)在(zài)今日頭條、抖音這(zhè)些産品的(de)成長中，個(gè)性化推薦發揮了(le／liǎo)重要(yào / yāo)的(de)作用。推薦也(yě)逐漸成爲(wéi / wèi)了(le／liǎo)互聯網信息分發的(de)主流模式。

信息分發到(dào)現在(zài)一(yī / yì ／yí)共經過了(le／liǎo)四個(gè)階段，這(zhè)些階段一(yī / yì ／yí)方面有先後順序，另一(yī / yì ／yí)方面也(yě)不(bù)完全是(shì)替代關系。比如最早的(de)門戶時(shí)代，信息分發的(de)方式是(shì)分類索引；到(dào)了(le／liǎo)谷歌做搜索引擎，這(zhè)是(shì)基于(yú)用戶的(de)主動性，通過搜索的(de)方式發現信息；再往後出(chū)現了(le／liǎo)臉書、YouTube，還有國(guó)内的(de)微博、微信這(zhè)些産品，用戶基于(yú)訂閱關注獲得信息；然後就(jiù)是(shì)推薦引擎，從“人(rén)找信息”變成了(le／liǎo)“信息找人(rén)”。這(zhè)是(shì)在(zài)移動互聯網時(shí)代快速發展起來(lái)的(de)，現在(zài)已經成爲(wéi / wèi)了(le／liǎo)比較主流的(de)信息分發方式。

所有可以(yǐ)選擇的(de)地(dì / de)方，爲(wéi / wèi)了(le／liǎo)解決用戶選擇困難，基本都可以(yǐ)上(shàng)推薦系統。比如今日頭條，用戶看新聞，肯定是(shì)适合用推薦的(de)，還有大(dà)家熟悉的(de)短視頻。分類信息也(yě)可以(yǐ)做推薦，信息的(de)分類一(yī / yì ／yí)般會有很多，手機屏幕再大(dà)也(yě)是(shì)有限的(de)，一(yī / yì ／yí)屏展示不(bù)了(le／liǎo)多少内容。電商的(de)熱門推薦也(yě)一(yī / yì ／yí)樣。

說(shuō)起電商的(de)推薦，商品詳情頁這(zhè)個(gè)地(dì / de)方，以(yǐ)前最早亞馬遜做了(le／liǎo)打包交叉銷售，當用戶買了(le／liǎo)一(yī / yì ／yí)本書的(de)時(shí)候，可以(yǐ)推薦别的(de)書。最開始大(dà)家隻考慮推薦的(de)商品和(hé / huò)當前買的(de)東西是(shì)否相關，但現在(zài)都會考慮個(gè)性化推薦，不(bù)僅要(yào / yāo)和(hé / huò)當前商品相關，還要(yào / yāo)和(hé / huò)消費者的(de)興趣産生關系。

新用戶冷啓動也(yě)已經涉及到(dào)推薦。一(yī / yì ／yí)般有産品會專門做精選頁面、熱門頁面給新用戶。雖然是(shì)新用戶，也(yě)可以(yǐ)通過推薦的(de)技術提升效果。像大(dà)屏，現在(zài)智能電視很普及，我們家已經沒有傳統電視了(le／liǎo)，智能電視的(de)節目也(yě)是(shì)需要(yào / yāo)推薦的(de)。

另外還有社交、應用市場、音視頻、小說(shuō)的(de)推薦，基本上(shàng)可以(yǐ)看到(dào)，凡是(shì)可以(yǐ)做選擇的(de)地(dì / de)方都可以(yǐ)做推薦，對效果的(de)影響也(yě)很大(dà)。

定好目标，剩下的(de)交給機器學習

智能推薦可以(yǐ)幫助客戶提升流量活躍度、銷售貢獻度和(hé / huò)效率。但是(shì)，搭建整個(gè)推薦系統是(shì)非常耗費資源的(de)事情。你做推薦系統，肯定要(yào / yāo)做得更實時(shí)，特征回流要(yào / yāo)快，這(zhè)些東西都消耗大(dà)量的(de)人(rén)力成本，試錯成本也(yě)很大(dà)。

企業可以(yǐ)直接在(zài)成熟的(de)推薦平台上(shàng)做推薦系統。字節跳動每天增加 1500 次 AB test，大(dà)量的(de)實驗可以(yǐ)規避各種錯誤，現在(zài)把推薦系統平台通過火山引擎開放出(chū)來(lái)，降低大(dà)家的(de)試錯成本。

火山引擎智能推薦平台，第一(yī / yì ／yí)個(gè)特點是(shì)端到(dào)端。這(zhè)個(gè)詞這(zhè)些年經常有人(rén)提，我估計有些人(rén)還不(bù)是(shì)特别理解。十年前業界的(de)推薦做不(bù)到(dào)端到(dào)端，比如有人(rén)買了(le／liǎo)《射雕英雄傳》，就(jiù)推薦一(yī / yì ／yí)本和(hé / huò)《射雕英雄傳》相似的(de)書，基于(yú)當時(shí)的(de)技術和(hé / huò)建模方式，直接就(jiù)是(shì)通過算法工程師自己腦子(zǐ)裏的(de)策略實現的(de)。

現在(zài)的(de)技術是(shì)可以(yǐ)做到(dào)直接提升你想提升的(de)業務目标。比如你想實現什麽效果，模型可以(yǐ)直接預估這(zhè)個(gè)目标，最終結果按照預估的(de)結果排。先把目标定下來(lái)，剩下的(de)都是(shì)機器學習的(de)事兒，這(zhè)就(jiù)是(shì)端到(dào)端，這(zhè)個(gè)能力會全流程提供給客戶。

第二是(shì)實時(shí)性，比如消費者購買商品的(de)行爲(wéi / wèi)，下次給他(tā)推薦的(de)時(shí)候，能不(bù)能用上(shàng)剛剛發生的(de)行爲(wéi / wèi)，這(zhè)也(yě)很關鍵。業界開始做實時(shí)的(de)推薦系統，可能就(jiù)是(shì) 2013、2014 左右的(de)時(shí)候。據我所知，現在(zài)很多企業并沒有做到(dào)完全的(de)實時(shí)，大(dà)部分人(rén)還是(shì)今天訓練幾個(gè)模型，明天就(jiù)按照今天的(de)模型預估用戶的(de)興趣。我們所有系統都是(shì)實時(shí)的(de)，特征實時(shí)更新、模型實時(shí)訓練，可以(yǐ)給用戶實時(shí)的(de)反饋。

再往下就(jiù)是(shì)大(dà)規模。我們在(zài)内部具備的(de)處理大(dà)規模數據的(de)推薦系統、廣告系統的(de)能力，對外會同步提供。

然後是(shì)行業定制。我們提供了(le／liǎo)一(yī / yì ／yí)些行業模闆，包括内容、電商等我們有實踐的(de)行業。當然有很多行業我們沒有做，但是(shì)智能推薦平台上(shàng)會基于(yú)我們對外合作中積累的(de)行業經驗，給每個(gè)行業提供現成的(de)模闆，希望大(dà)家配置的(de)時(shí)候不(bù)用配太多東西，就(jiù)可以(yǐ)快速構建推薦系統。

另外，很多企業都希望自己有研發能力，希望系統不(bù)要(yào / yāo)太黑盒了(le／liǎo)。我們提供的(de)平台是(shì)兼具黑白盒能力的(de)平台，你既可以(yǐ)實現：什麽都不(bù)管，就(jiù)把數據接對了(le／liǎo)，目标定對了(le／liǎo)，系統就(jiù)可以(yǐ)做到(dào)；你也(yě)可以(yǐ)實現：深度開發，比如系統裏面調調模型，加加特征，這(zhè)個(gè)也(yě)是(shì)支持的(de)。

接下來(lái)是(shì)更加細節的(de)指标，比如模型種類，支持很多種不(bù)同的(de)模型。我們對各種模型都做了(le／liǎo)充分的(de)内部探索，提供出(chū)來(lái)的(de)是(shì)真正有用的(de)。比如多目标，現在(zài)推薦系統往往不(bù)隻是(shì)有一(yī / yì ／yí)個(gè)目标，我們提供了(le／liǎo)多目标的(de)支持。還有很多比較細節的(de)技術。

用好推薦平台，提升的(de)不(bù)僅僅是(shì)營收

字節内部有很多産品，都是(shì)通過推薦中台把産品在(zài)底層打通的(de)。比如A産品上(shàng)有一(yī / yì ／yí)個(gè)方法特别有用，B産品借鑒過去也(yě)很快，我們希望把這(zhè)樣的(de)能力同步到(dào)對外部客戶的(de)服務中。火山引擎的(de)智能推薦平台，就(jiù)是(shì)基于(yú)字節推薦中台打造的(de)。

在(zài)主要(yào / yāo)功能上(shàng)，火山引擎智能推薦平台提供的(de)推薦類型非常豐富，黑白盒功能也(yě)介紹過，第三就(jiù)是(shì)校驗和(hé / huò)歸因分析。做推薦，數據是(shì)非常關鍵的(de)，比如給平台的(de)數據是(shì)錯的(de)，那推薦肯定做不(bù)好，往往這(zhè)一(yī / yì ／yí)步是(shì)很多推薦系統工作中最耗時(shí)的(de)部分，所以(yǐ)我們平台會給大(dà)家提供校驗和(hé / huò)歸因功能，方便大(dà)家把數據做對。另外大(dà)家在(zài)實際工作中不(bù)隻是(shì)模型，還有各種各樣的(de)運營策略，我們也(yě)提供這(zhè)種能力。

最後講一(yī / yì ／yí)些客戶案例：

一(yī / yì ／yí)家電商客戶，在(zài)很多位置接入了(le／liǎo)信息流的(de)個(gè)性化推薦。比如個(gè)性化搜索，以(yǐ)前搜索和(hé / huò)推薦聽起來(lái)是(shì)兩個(gè)不(bù)同的(de)技術，但是(shì)在(zài)電商裏，搜索結果也(yě)需要(yào / yāo)個(gè)性化。火山引擎的(de)智能推薦平台，幫助這(zhè)家客戶在(zài)推薦場景中獲得人(rén)均 GMV100% 的(de)增長，提升了(le／liǎo)平台收入和(hé / huò)用戶體驗。

電視現在(zài)也(yě)非常互聯網化了(le／liǎo)，也(yě)可以(yǐ)接推薦系統。比如一(yī / yì ／yí)些客戶關心時(shí)長和(hé / huò)付費轉化率，這(zhè)是(shì)可以(yǐ)通過機器學習模型預估的(de)，也(yě)取得了(le／liǎo)不(bù)錯的(de)效果，無論是(shì)首頁的(de)個(gè)性化推薦還是(shì)頻道(dào)頁推薦、詳情頁推薦。

此外還有内容社區、廣告等案例，最後講的(de)一(yī / yì ／yí)個(gè)是(shì)手機廠商的(de)應用商店，這(zhè)是(shì)我們技術 toB 做得最早的(de)業務，從幾年前就(jiù)開始做了(le／liǎo)。客戶在(zài)使用我們平台過程中，研發團隊的(de)能力也(yě)得到(dào)了(le／liǎo)提升，從這(zhè)兩條曲線就(jiù)可以(yǐ)看到(dào)，雙方效果的(de)差距越來(lái)越小。這(zhè)也(yě)說(shuō)明，智能推薦平台的(de)作用不(bù)僅是(shì)提升營收，還能夠爲(wéi / wèi)客戶創造更多價值。

希望未來(lái)我們有機會爲(wéi / wèi)更多客戶服務。我的(de)分享就(jiù)到(dào)這(zhè)裏，謝謝大(dà)家！

— 完 —