背景与挑战
荣耀智能推荐中心支持多个业务领域（商城、信息流、视频）和内容类型，面临领域多、目标多、噪音大、冷启动难、数据稀疏和分散等挑战。其中，60%以上为新用户和游客，评分矩阵稀疏（density < 2%），行为序列跨度长（3-5天考虑期）。
推荐算法演进阶段
- 1.0阶段：基础推荐算法，效果有限。
- 2.0阶段：引入协同过滤，提升推荐效果。
- 3.0阶段：基于跨域特征和序列化模型，进一步优化推荐效果。
核心技术与成果
基于跨域特征的用户冷启动
- 方法：融合用户群和关键词的跨领域推荐，结合离线部分（商品品类和帖子版块映射）和在线部分（商品交互明细和帖子交互明细）进行推荐。
- 效果：CTR提升2.3%（基于用户群和关键词的跨领域推荐）和10%（基于跨域特征的长短期偏好推荐），曝光品类增加3.5%。
- 问题：前期跨域用户较少，未考虑行为序列。
基于跨域序列化的召回模型
- 方法：采用实时行为序列的双塔召回模型，结合离线训练（MPP/Hadoop）和在线推理（Kafka），使用Faiss进行检索。
- 建模思路：通过跨域行为关系建模和多兴趣建模，结合Self-Attention和Multi-head Attention机制。
- 效果：推荐效果显著提升，CTR和多样性均有改善。
总结与展望
荣耀推荐算法通过跨域特征融合、长短期偏好推荐、跨域序列化召回和多模态推荐模型，有效解决了冷启动和数据稀疏问题。未来将进一步完善基于跨领域和多模态注意力机制的推荐模型（如DeepFm），进一步提升推荐效果。
