微信视频号推荐算法方案分享

基于脱敏和采样后的数据信息,对于给定的一定数量到访过微信视频号热门推荐”的用户, 根据这些用户在视频号内的历史n天的行为数据,通过算法在测试集上预测出这些用户对于不同视频内容的互动行为(包括点赞、点击头像、收藏、转发等)的发生概率。本次比赛以多个行为预测结果的加权uAUC值进行评分。

该数据包含了视频(简称为feed)的基本信息和文本、音频、视频等多模态特征:

该数据包含了用户在视频号内一段时间内的历史行为数据(包括停留时长、播放时长和各项互动数据)。

对测试集中每一行的userid和feedid的七种互动行为的发生概率进行预测,这七种行为包括:查看评论、点赞、点击头像、转发、收藏、评论和关注。

采用uAUC作为单个行为预测结果的评估指标,uAUC定义为不同用户下AUC的平均值,计算公式如下:

其中,n为测试集中的有效用户数,有效用户指的是对于某个待预测的行为,过滤掉测试集中全是正样本或全是负样本的用户后剩下的用户。AUCi为第i个有效用户的预测结果的AUC(Area Under Curve)。AUC的定义和计算方法可参考维基百科。

炼丹笔记 参与了本次微信视频号推荐算法大赛。同时,官方也给出基于Wide&Deep的Baseline,具体地址见文末。关于推荐算法我们之前已经讲过很多了,同时也整理过整个CTR预估系列,有兴趣的同学可以翻翻 炼丹笔记 的相关文章。Wide&Deep是其中相对经典的部分。

  • pandas>=1.0.5
  • tensorflow>=1.14.0
  • python3

  • CPU/GPU均可

  • 最小内存要求
  • 特征/样本生成:3G
  • 模型训练及评估:6G
  • 耗时
  • 测试环境:内存8G,CPU 2.3 GHz 双核Intel Core i5
  • 特征/样本生成:226 s
  • 模型训练及评估:740 s

  • 模型:Wide & Deep

  • 参数:
  • batch_size: 128
  • emded_dim: 10
  • num_epochs: 1
  • learning_rate: 0.1
  • 特征:
  • dnn 特征: userid, feedid, authorid, bgm_singer_id, bgm_song_id
  • linear 特征:videoplayseconds, device,用户/feed 历史行为次数

欲之炼丹笔记所用之模型,且听下回分解….

(1)官方Baseline:

https://github.com/WeChat-Big-D ata-Challenge-2021/WeChat_Big_Data_Challenge ;

(2)数据地址:

https://algo.weixin.qq.com/user

(3)Wide&Deep:

https://dl.acm.org/doi/pdf/10.1 145/2988450.2988454

(4)炼丹笔记往期文章

Original: https://blog.csdn.net/m0_52122378/article/details/117221005
Author: 炼丹笔记
Title: 微信视频号推荐算法方案分享

原创文章受到原创版权保护。转载请注明出处:https://www.johngo689.com/9686/

转载文章受原作者版权保护。转载请注明原作者出处!

(0)

大家都在看

发表回复

登录后才能评论
免费咨询
免费咨询
扫码关注
扫码关注
联系站长

站长Johngo!

大数据和算法重度研究者!

持续产出大数据、算法、LeetCode干货,以及业界好资源!

2022012703491714

微信来撩,免费咨询:xiaozhu_tec

分享本页
返回顶部