当推荐遇到社交：美图的推荐算法设计优化实践( 七 )_机器之心专栏作者：汤斌本文是美图高级

算法篇：美图推荐排序实践

图3/7

工具的价值落地到业务中，需要通过算法来实现。美图推荐排序算法大致可以分成四个阶段：第一个阶段是以 LR 为主的线性模型，组合大规模人工特征。第二个阶段发展成了以深度学习为主的非线性模型，以及少量的人工特征。再然后，为了减少人工特征工程的工作，我们开始调研以用户行为序列为主的原始特征，此时线上的主力模型是深度学习模型以及用户行为序列特征。最后一个阶段我们从单目标模型演进到了现在的多目标模型。排序模型四个阶段的演进可以归纳为模型、特征、优化目标三个方面的工作，下面我将和大家一一进行介绍。

美图推荐排序实践——模型演进

图4/7

2018 年，我们上线了第一个基于何向南在 SIGIR 2017 发表的《Neural Factorization Machines for Sparse Predictive Analytics》改进的模型——NFM-v4。相比原论文，我们的主要改进点是通过一个线性变换，将变长稀疏的原始高维特征压缩到一个定长稠密的低维实数空间，从而屏蔽了模型在输入特征处理上的差异，可以将精力更多放在特征的挖掘上。