登录    / 注册

走向10亿vv:微博短视频推荐

分享时间: 2016年12月9日 - 12日

分会场: 架构设计/技术战略

案例讲师

冯扬

新浪微博 推荐技术专家

冯扬,新浪微博-商业平台及产品部-推荐技术专家,致力于社交网络的用户建模,数据挖掘,以及推荐系统。曾先后就职于新浪微博、腾讯 SOSO、搜狗等互联网公司,2014 年 9 月加入新浪微博商业平台及产品部,负责微博推荐平台的设计及研发。

扫描二维码分享案例

 

案例简述

 

短视频在微博平台上展现了自己的洪荒之力,以今年结束的里约奥运会为例,仅央视在微博上发布的奥运短视频,头三天前十名的累计播放量就达到 5.9 亿次。从用户的角度出发,用户消费视频的成本较高(流量、时长……),并且在不同场景下用户对视频消费的预期和习惯不尽相同。作为视频推荐的基础服务,微博视频推荐系统一方面要减少用户的信息过载问题,另一方面也要能适应不同场景下的推荐需要,最优化推荐转换率,在满足用户视频消费需求的同时提升平台的价值。本次案例分享从从算法和架构两个层面介绍微博视频推荐系统的原理、用户反馈机制、自动快速的效果对比及模型上线机制等。

 

案例目标

 

目标:
1. 促进微博短视频消费深度:特定场景下提升推荐转换
2. 促进微博短视频消费广度:提升推荐对物料的覆盖、对用户的覆盖、扩充推荐场景
3. 促进微博短视频物料生产:构建物料库规范,挖掘优质短视频

 

成功(或教训)要点

 

经验:
1. 一切以效果数据说话,而不是主观判断
2. 资源数据和基础数据是根基,数据收集、生产加工、检索计算等方面的解耦能有效提升安全性和工作效率
2. 推荐不仅仅是一个算法问题,也是一个系统问题。一个支持快速上线、AB测试、效果评估、训练数据收集的系统架构是支持推荐系统效果提升的保障
教训:
数据和计算流程的安全至关重要,实践过程中曾经因为这个问题踩过大量的坑

 

案例ROI分析

 

重点项目,人员投入较大。但是在此过程中尽可能做到了横向分层和纵向责任人的矩阵化制度,最有效的利用了研发人力。

 

案例启示

 

1. 一切以效果数据说话,而不是主观判断
2. 数据是根基,构建一个高效安全的数据流水线能有效提升效果和工作效率
3. 面对复杂的应用场景和物料类型、多种的推荐方法和策略、产品需求……灵活、便于扩展的系统架构是必须的

 

案例在团队中的意义

 

如果将微博中的短视频消费方式分成三类:
1. “浅层消费”:信息流内的视频消费
2. “深层消费”:进入视频播放页的消费
3. “扩展消费”:对推荐视频的消费
其中前两者基本上是基于微博中的弱关系产生,由信息流的流量带来的短视频流量。而最后一项则是关系外的,基于兴趣和行为等扩展的额外流量,由推荐系统产生。一方面降低用户成本,另一方面提升转换,扩充流量。
本案例就是通过构建推荐系统、设计推荐算法、适应不同的短视频推荐场景,尽可能提升推荐转换率,扩充“扩展消费”的流量,为微博短视频业务提供有效的支撑。目前推荐已经成为微博短视频业务最有效的流量提升手段。