首页>会议文档 >

优酷土豆 吕红亮 - 视频精准推荐系统实践

page:
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践
优酷土豆 吕红亮 - 视频精准推荐系统实践

优酷土豆 吕红亮 - 视频精准推荐系统实践

所属会议:SACC2016 (第八届)中国系统架构师大会会议地点:北京


下载

手机看
活动家APP客户端

扫二维码下载
或点击下载
Android iOS

9620次
浏览次数
SACC2016 (第八届)中国系统架构师大会所有文档 开九易云拓 朱龙春 - 互联网对传统企业应用架构冲击和机遇 淘宝 郑士汉 - Weex架构简介和性能优化实战 周亚金 - 安卓应用保护技术发展 小米电视工程师朱辉 - ZRAM那点事pdf 小米 朱辉 - 支持任意数量watchpoin的建议 学而思 赵文杰 - 交互式直播推流编码器的设计 搜狗 甄丽霞 - 基于Kafka-spark streaming的数据处理系统及测试 蚂蚁金服 郑波 - 网商银行金融云的架构之路 饿了么 徐巍 - 饿了么基础设施进化史 光载无限 许开强 - CDN直播系统的优化 搜狗 杨剑飞 - 统一数据平台的实践及思考 网易蜂巢 尧飘海 - 网易蜂巢公有容器云架构之路 超多维 郁树达 - 前进的路上,VR有哪些绕不开的坑 美团点评 喻继鹏 - 互联网行业财务系统架构探讨 阅文集团 徐海峰 - 阅文集团自主分布式文件系统 哈尔滨银行 姜岩 - 运维架构调整与运维工厂模式的建立 百度 张建伟 - 百度大数据离线计算平台流式shuffle服务 深圳瑞赛 张平 - 专业化的风控服务平台的技术架构及实践 魔窗 张申竣 - 创业公司的大数据平台选型和进化 去哪儿网 张子天 - Spider-QunarAndroid客户端架构的前世今生 蜗牛云 赵刚 - 京东VRAR实验室在电商VR中的实践 云计算公司技术专家赵伟 - 负载均衡利器HAProxy功能剖析及部署案例 中国移动 王烨 - 中国移动私有云管理平台架构和实践 优酷土豆 宋慎义 - 为全民直播量身定做流媒体平台 Linkedin China Engineer Supervisor魏佳 - 图数据库Neo4J的实践之路 美图 魏家富 - 美图公司运维自动化系统架构设计 阿里巴巴 郝豪 - 阿里Android instant run探索与实践 美团外卖 夏华夏 - 架构师的三个基本要求 爱奇艺 谢丹铭 - 爱奇艺业务风控系统 爱奇艺 刘俊晖 - 爱奇艺大数据平台的构建之路 爱奇艺 刘文峰 - 爱奇艺云架构实践优化 易到用车 刘宇 - PHP高性能服务框架架构与实践 网易 刘长伟 - 网易蜂巢Docker研发实践 刘喆 - 大数据时代AdMaster的运维架构 去哪儿网 路绪清 - 基于大数据的消费信贷平台 中国移动 罗刚毅 - 中国移动异构虚拟化平台统一管理研发与实践 小米VR团队马坤 - VR技术与展望 资深云计算架构师马耀泉 - 云计算的高可用实践探索与分享 袋鼠云 宁海元 - 企业级云数据库管控架构设计与实践 汽车之家 欧阳梦南 - 汽车之家移动APP架构演进与性能优化历程 光载无限 欧曜伟 - 光载无限监控体系的变革与演进 阿里巴巴 袁冶平 - 阿里大数据平台发布管理体系 Hyper.sh 裴彤 - 基于 hyper 容器技术的新一代容器云 58到家 任桃术 - 58到家分布式服务框架 阿里巴巴 桑毅宏 - 互联网公司骨干网规划构 上汽集团 龚瀚申 - 上汽集团基于容器技术的尝试实践 滴滴出行 盛克华 - 滴滴高性能列式KV存储系统实践 京东 寿如阳 - 京东虚假交易识别系统 信泰人寿 章晨曦 - 数据分发平台的架构设计与实践 爱可生 王伟 - 数据之大,云动未来——传统企业从IT到DT的互联网创新最佳实践 上交所 孙长昊 - 上交所基于容器技术的微服务架构技术实践 魅族 覃军 - 魅族基础系统运维之路示 美团 唐义哲 - 美团业务风控系统构建经验 腾讯 程彬 - 腾讯云数据库CDB技术演进之路 一点资讯 王成光 - 轻量级分布式实时计算框架light_drtc 京东 王大泳 - 京东数据中心网络监控实践 农银 王福强 - 农银人寿新一代核心业务系统云平台实践题 Intel 王华峰、毛玮、张天伦 - 分布式流式数据处理框架:功能对比以及性能评估 时速云 王磊 - 容器云平台在企业中的运维管理和场景实践 达乎科技 王茜 - SDN对传统网络的变革和价值提升 搜狐视频 李修鹏 - 搜狐视频个性化推荐架构设计和实践 北京邮电大学 李昕 - SDN向左,WAN向右 蜗牛云 李晨光 - VR沉浸式视频在移动平台的优化技术分析 武汉泰迪智慧科技 李成华 - 深度学习在自然语言中的应用 华胜信泰 李海翔 - 数据库引擎技术架构 360 李纪峰 - 云平台安全架构剖析 蚂蚁金服 李三红 - Java企业应用-性能优化原则,方法与策略 拍拍贷 徐王锦 - 金融行业数据库架构变迁 京东 杨海明 - 京东云的架构实践之路 神策数据 曹犟 - 从日志统计到大数据分析 饿了么 常盛 - 饿了么实时架构演进 DBI 常艳玲 - 架构师现状调查报告解读 日志易 陈军 - IT运维分析与海量日志搜索分析 华为 陈亮 - Apache CarbonData,实现大数据即席查询秒级响应 百度外卖 师陈霖 - 百度外卖服务化实战 腾讯微信 陈晓鹏 - 微信运维实时监控数据上报及存储设计实践 雪球 单艳蕾 - 雪球运维架构体系探索 证券 董国兴 - 传统金融行业企业架构创新与实践 腾御安 樊付强 - GNU工具链里的漏洞利用缓解技术 国家工商总局 付宏伟 - 工商数据中心架构创新之路 七牛云 何李石 - 七牛融合CDN实践 宜信 侯松 - 大数据全流程平台在互联网金融场景下的实现和借鉴意义 饿了么 张雪峰 - 架构师需要面对的两个【架构】 Apache HAWQ 简丽荣 - 数据仓库架构的变迁

文档介绍

视频自媒体越来越受到大家的重视,如何为将合适的流量分配给合适的道长,成为了一个函待解决的关键问题。本次分享主要介绍构建视频生态分发系统的架构和策略,重点介绍系统的整体架构、定向投放、点击率预估、流量控制、生态扶持等相关技术,利用这些技术可以实现给合适的道长分配合适的流量的目的,在保证自频道主有一定自主性的基础上,引导他们向我们期望方向发展。主要面向精准推荐系统、广告投放系统、推荐系统的架构和策略相关的研发人员。

演讲实录

视频自媒体越来越受到大家的重视,如何将合适的流量分配给合适的道长,成为了一个函待解决的关键问题。吕老师本次分享主要介绍构建视频生态分发系统的架构和策略,重点介绍系统的整体架构、定向投放、点击率预估、流量控制、生态扶持等相关技术,利用这些技术可以实现给合适的道长分配合适的流量的目的,在保证自频道主有一定自主性的基础上,引导他们向我们期望方向发展。
  背景介绍
  业务推广需求方包括,内部业务方:来疯、会员、PGC、分成、生态、游戏、BD;外部业务方:自频道的频道主,PGC。

 精准推荐系统目的是整合和优化推广位,尽量满足各方需求,使推广位价值最大化;打造视频生态:扶持频道主,并引导他们的行为。保证用户的体验,在合适的时机给合适的用户推荐合适的限定集合内的视频。

 其中吕老师推荐了以下几种模式,如时序图、链式架构、定向投放、索引管理。不仅如此还分享了三大功能:服务稳定性保障、在线debug系统、监控报警系统。
  服务稳定性保障:服务降级系统会根据客户端当前上下文及用户标签产生投放结果,当UP查询接口性能不稳定时,可通过配置来暂时关闭其中某项查询以缩短投放服务整体的处理耗时。同理,在线计算也可以提供类似的功能:当性能良好时,系统可以要求在线模块做一些相对复杂的计算以便能够产生足够精准的投放结果;反之则需要对处理逻辑进行简化,以保证投放服务的正常运行。
  在线debug系统:投放环节比较长,错误比较难定位,大量的时间花在查询各种case上面。在线debug系统可以方便定位问题出现在哪一个模块,对于为什么出A而不出B的问题,可以快速给出答案。
  监控报警系统:支持订单数据异常报警、支持运营打底订单报警,防止出现天窗、支持数据统计异常报警,曝光点击波动超过了一定量的标准差。
  精准推荐算法架构
精准推荐算法架构-点击率预估
  模型:GBDT、LR、DNN
  特征工程:特征预处理:归一化,one-hot编码, 缺失值补充,异常值去除,数据变化。
  特征选择:Filter:计算特征和目标的相关性,比如方差、卡方检验、相关系数;Wrapper:根据损失函数,递归增加或者消除若干特征;模型的方法:L1正则,基于树模型。
  实践比较有效的特征选择方法:专家经验:和产品运营的同学多聊;模型选择方法:L1正则,GBDT给出feature重要性排序;用非线性模型取代线性模型来减少对组合特征发现的依赖;快速迭代,快速上线测试。
  计划与方向
  实时化:模型实时更新;使用更多的实时化特征:比如用户短时兴趣。
  推荐解释:同标签、同主演、同嘉宾、同类top10、奥斯卡、本站最热……
  用户显性反馈,深度学习:视频截图分析:CNN;观看序列分析:LSTM;视频内容分析。

×

打开微信扫一扫,分享到朋友圈