小红书APP开发架构 小红书系统架构

（1）工业界推荐系统-小红书推荐场景及内部实践【业务指标、链路、ItemCF】（2）工业界推荐系统-小红书推荐场景及内部实践【UserCF、离线特征处理】（3）工业界推荐系统-小红书推荐场景及内部实践【矩阵补充、双塔模型】（4）工业界推荐系统-小红书推荐场景及内部实践【正负样本选择】（5）工业界推荐系统-小红书推荐场景及内部实践【线上召回和模型更新】（6）工业界推荐系统-小红书推荐场景及内部实践【其他召回通道】（7）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题1】（8）工业界推荐系统-小红书推荐场景及内部实践【冷启动问题2】（9）工业界推荐系统-小红书推荐场景及内部实践【排序模型】（10）工业界推荐系统-小红书推荐场景及内部实践【排序模型的特征】

推荐系统链路

粗排 vs 精排

精排模型

• 前期融合:先对所有特征做 concatenation， 再输入神经网络。
• 线上推理代价大:如果有 𝑛 篇候选笔记，整个大模型要做 𝑛 次推理。

双塔模型

• 后期融合：把用户、物品特征分别输入不同的神经 网络，不对用户、物品特征做融合。
• 线上计算量小:
  • 用户塔只需要做一次线上推理，计算用户表征 𝐚。
  • 物品表征 𝐛 事先储存在向量数据库中，物品塔在线上不做推理。
  • 预估准确性不如精排模型。

粗排的三塔模型

1、有 𝑛 个物品，模型上层需要做 𝑛 次推理。
2、粗排推理的大部分计算量在模型上层。

三塔模型的推理

• 从多个数据源取特征:
  • 1 个用户的画像、统计特征。
  • 𝑛 个物品的画像、统计特征。
• 用户塔:只做 1 次推理。
• 物品塔:未命中缓存时需要做推理。
• 交叉塔:必须做 𝑛 次推理。
• 上层网络做 𝑛 次推理，给 𝑛 个物品打分。