直播 | 腾讯音乐：全民K歌推荐系统详解

Posted 2021-05-01 DataFunTalk

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了直播 | 腾讯音乐：全民K歌推荐系统详解相关的知识，希望对你有一定的参考价值。

2021年第一场直播分享上线啦！ 2021年1月9日，9：30-12：30，我们将邀请到来自腾讯音乐的6位嘉宾，以全民K歌推荐系统为例，为大家详解推荐系统的架构，及召回、粗排、精排、多目标、平台化等内容：

论坛日程

详细介绍

分享嘉宾：

黄昕

腾讯音乐 | 全民k歌推荐算法团队负责人

黄昕，现负责腾讯音乐-全民k歌业务的推荐团队，团队业务包括音视频推荐、直播推荐、社交推荐、推荐平台建设等。清华大学出版社《推荐系统与深度学习》一书第一作者。

分享主题：全民K歌推荐业务及系统框架介绍

内容摘要：全民K歌推荐场景背景介绍、推荐系统架构设计及重要模块的迭代思路。

听众收益：了解推荐系统架构设计及核心算法的迭代路径。

新技术/实用技术点：

推荐系统架构设计
召回排序模型关键改进点

直播 | 腾讯音乐：全民K歌推荐系统详解

吴喆

腾讯音乐 | 高级算法工程师

本科毕业于中山大学数学系，研究生毕业于香港科技大学CSE系，当前主要负责全民K歌的内容推荐。

分享主题：推荐系统的粗排模块实践

内容摘要：粗排层位于召回层与精排层之间，承担着预排序与调节内容生态的作用。本议题将分享粗排模型的迭代实践，及如何通过加入生态目标来影响内容生态。

听众收益：了解如何构建高效的粗排模型，及如何通过粗排层来影响内容生态。

新技术/实用技术点：

粗排模型的网络结构/蒸馏学习/多目标建模
实现匹配目标与生态目标的融合

王国瑞

腾讯音乐 | 高级算法工程师

王国瑞，硕士毕业于哈尔滨工业大学。曾在QQ浏览器搜索中心从事搜索框词的相关推荐工作，目前在全民K歌团队从事直播推荐的相关工作。

分享主题：精排模型在全民K歌直播推荐中的应用

内容摘要：主要讲解全民k歌直播推荐中精排模块的相关工作，包括样本筛选构造，最新的ctr预估/cvr预估方法以及多任务loss权重融合方法。

听众收益：了解主流的ctr预估和cvr预估方法以及在流媒体推荐场景中的应用

新技术/实用技术点：

ESMM/MMOE/GradNorm/DeepWKFM

直播 | 腾讯音乐：全民K歌推荐系统详解

黄成炎

腾讯音乐 | 高级算法工程师

腾讯音乐高级算法工程师，15年硕士毕业，6年推荐系统经验，主要负责K歌短视频精排排序。

分享主题：多目标模型在推荐短视频流的应用

内容摘要：主要分享在全民K歌短视频推荐场景中精排模型的迭代以及取得的效果。

听众收益：包含了从样本、特征设计、基于多目标精排模型迭代等流程，实用性较强。

新技术/实用技术点：介绍了主流的推荐技术在短视频场景迭代过程中的思考与技术实践。

邱天宇

腾讯音乐 | 高级算法工程师

2016年南京大学计算机系硕士毕业，同年加入腾讯SNG数字音乐部，先后负责过QQ音乐的画像和每日30首推荐的算法相关工作。2018年底至今在全民K歌负责UGC作品的推荐算法开发与相关的工程实现。

分享主题：全民K歌内容挖掘与召回模型

内容摘要：召回是推荐系统中的关键一环，其作用在于在海量候选集中快速为用户检索到用户有可能感兴趣的内容。K歌的UGC作品推荐涉及到多种不同的召回算法，包括基于热度、画像属性、社交属性的召回、协同过滤和近年来逐渐成为主流的深度召回模型 ( Youtube DNN、DSSM及其改进 )，本次演讲会主要向大家介绍这些不同算法在K歌UGC作品推荐场景下的落地实践。

听众收益：对工业界常用召回架构和算法的有一定了解，能根据不同场景选择合适的算法和技术方案。

新技术/实用技术点：