腾讯音乐推荐系统

业务背景：

全民K歌：

给用户进行内容推荐：

优质UGC（平台原创的优质素材）推荐

用户关注的内容

同城社交

货找人

阶段	目的	具体操作
召回	从海量的item中筛选小量级的用户可能感兴趣的内容	基于用户画像召回（用户感兴趣的歌曲/作者） 基于社交（用户社交圈的特点） 基于模型
粗排	把召回的十万量级的作品，缩减到万量级 因为算力的约束，精排的数量不大（千量级），如果直接从召回到精排，信息损失过多	粗排的双塔模型实现   将user 和 item 的 feature进行结构解耦和分开建模。 user→ user feature → user embedding item→ item feature → item embedding user embedding跟item embedding之间做內积的运算，得到一个粗排的预估值 优点：user/item 结构解耦，内积计算算力小 缺点：特征表达缺失（难以使用user/item的交叉特征） 如何改进？ 模型蒸馏