adam86546853

冷启动内容

冷启动分成用户冷起、物品冷起、系统冷启动；用户冷启目的是提升用户留存以及活跃度等指标，帮助用户增长；物品冷启动主要是提升品类多样性以及丰富度，促进内容生态。生态健康才能保持长久广告收益以及成交额。

用户冷启的核心在于数据稀疏，新用户不了解，如何获取更多数据或者更好的刻画用户，譬如使用其他场景的数据，设计标签选项收集用户兴趣等；物品冷启需要寻找种子用户，更好的流量扶持。

冷启常见的问题

• 冷启用户的识别(活跃天数，登录天数等)
• 当前的状态(即时兴趣还是长期稳定兴趣)，留存客户
• 物品潜力预估
• 用户冷启，产品和运营发力点，算法如何配合

用户冷启通用做法：

• 规则阶段+简单模型

  • 前期通过标签圈选(类目，热点，地域，精品等)
  • 简单模型(性别、年龄、交互item个数，登录次数，是否新用户，安装APP列表)，筛选新用户友好特征
  • E&E模型探索，对用户进行探索

• 模型阶段

  • 尽量使用多域的用户数据建模，新老数据一起建模
  • 多设计一些对新用户友好特征(bias),bias特征加到浅层网络
  • bias特征经过LHUC模块，筛选embedding；新用户样本经过模型时，能够筛选
  • 预训练泛化user group emb(先对用户分群)
    • 使用新用户的样本w2v，正例:新用户交互过的item,负例:随机筛几个
    • 老用户交互item非常多，用户兴趣明显，和新用户当前状态有差异，可能会引入噪声
  • 多域模型，模型实时反馈
  • MAML(元学习)，构造比较合适的emb(个人感觉不靠谱，需要每个用户设计一套梯度下降参数)
  • 新老用户分层处理POSO、PPNET等这类对用户attention类的网络结构

• 运营产品层面，多设计一些激励措施，延长用户留存

内容冷启

• 新内容需要单独做一路进行扶持，boosting

• i2i,u2i等

• emb初始化(同类的相似的topk的emb平均)

• 冷启资源和热门资源使用不同的塔(双塔学习)

• 内容扶持:

  • 通过强插，调权；给定时间，给定分发量
  • 作者设置冷启动额度，优质作者助推

• 多分发给老用户(容忍度高)、uplift识别冷启内容不反感的用户；分发给意见领袖，提升成功率

• 优质资源的预估：

  • 判别是否领域新热，产品话题讨论和关注度、产品热榜；

  • 资源价值评估： 作者的优质、初期表现数据

  • 内容本身进行预估(pairwise对进行预估)；筛选一些物品侧特征建模(物品的基础属性，物品的初期表现数据【最好是类别、系列、价格、周期等，防止新品特征为空】)

  • 样本的选取，按照天级别选取物品，根据预估目标(ctr,cvr,ecpm,活跃、留存、点赞、互动等)，根据后验表现排序，取得物品的排序组合对(xi,xj)，pairwise模型进行拟合

  • loss使用指数损失函数(PairWise Logistic Loss)
    $L_{l}ogstic=log(1+e^{(}{x}_i-x_j))$

  • 网络可以使用ranknet网络，损失函数就是指数损失函数

• 冷启资源曝光尽量和实际曝光曲线接近

  • 一种简单的方式，按照24h来小时按照比例来投，确保曝光量

参考:

https://zhuanlan.zhihu.com/p/474204922
https://zhuanlan.zhihu.com/p/631575097