当推荐遇到社交：美图的推荐算法设计优化实践( 八 )_机器之心专栏作者：汤斌本文是美图高级

但是，将几十万维的高维空间直接压缩到几百维，存在一定的信息损失，因此，在 NFM-v4 的基础上，我们通过将部分高维 id 特征单独建模，比较好的解决了这个问题，在业务指标上，也有不错的效果提升，美拍的人均播放时长增加了 4.75%，人均有效行为数增加了 3.45%。

不过，NFM 存在的一个问题是，bi-interaction pooling 认为特征二阶交叉的权重是相等的，这种假设在多数场景下并不符合数据的真实分布。因此，在 NFM 的基础上，我们提出了 Neural Field weighted Factorization Machines（NFwFM）模型，通过引入一个权重向量，来建模二阶交叉特征的权重。通过二阶向量不等权相加，业务指标整体提升较为明显。其中美拍人均播放时长增加 3.78%，播放用户数增加 1.74%，美图秀秀点击率提升了 5.689%，人均使用时长增加 2.53%，新用户点击率增加 2.701%。

图5/7

美图推荐排序实践——特征工程

从 LR 升级到 NFwFM，我们虽然减少了大量的特征组合上的工作，但是，如何从数据中挖掘对当前业务有效的特征？如何进行特征选择？依旧占据了我们的主要精力。去年，工业界和学术界，都发表了大量关于 User Behaviors Sequence 建模的新工作，随后，我们也开始跟进这一方面的工作，并在我们的业务中进行了尝试，通过端到端的建模，减少我们在特征工程上的工作。