随着信息技术的蓬勃发展,加上互联网产品的层出不穷,人们制造和传递信息变得更加简单,造就了信息爆炸的时代。在这个时代,人们被海洋一般的信息淹没,为了便于找到感兴趣的信息,推荐系统应运而生。在小米手机上有个小爱同学App,你可以通过问话的方式来帮你找到你需要的答案。除了向用户展示答案卡片以外,还会推荐更多用户可能感兴趣的“问题”,这些问题都是其他用户的问话或小爱的功能。为了更好的挖掘小爱用户的兴趣爱好和提高小爱用户的点击率,特设计和实现了基于WDL模型的个性化推荐系统。基于WDL模型的个性化推荐系统采用面向深度学习的推荐系统架构,线下主要包括样本收集、特征抽取、模型训练、模型上线等,线上主要分为召回、排序和重排过滤三个阶段。在实际的应用中,因为业务的物品列表太大,如果实时计算对每一个物品使用复杂的模型进行打分,就有可能耗时过长而影响用户的满意度,所以使用召回和排序。召回的作用就是从大量的候选物品中筛选出一批用户较可能喜欢的候选集,主要使用了基于物品的协同过滤算法,热门点击率推荐算法和运营QA推荐算法等。物品的相似物品主要通过线下使用Spark平台进行预计算,然后存储到缓存中供线上使用。排序的作用是对召回得到的相对较小的候选集使用排序模型进行打分,排序模型主要由线下训练完成,使用的算法模型为随机推荐算法、LR和WDL。模型效果的好坏有着特征的影响,所以在特征抽取方面做了很多尝试和选择。更进一步,在得到推荐列表后,为了多样性和运营的一些考虑,还会加入重排过滤,用于对精排后的推荐列表进行处理。基于WDL点击率预估模型的个性化推荐系统已在线上使用,AB测试结果显示用户点击率相较于以前的推荐算法提升大约百分之十,推荐结果的相似性也得到了大大地提高。