红豆Live在应用AI技术上的实践
极客时间编辑部
讲述：丁婵大小：1.45M时长：03:11
近日，微博机器学习计算和服务平台负责人胡南炜在接受 InfoQ 采访时，介绍了关于旗下语音直播平台红豆 Live 在应用 AI 技术上的详细情况，并表示红豆 Live 的成功，AI 发挥的作用不可忽略。
在 AI 布局上，从技术层面讲，红豆 Live 在 AI 领域使用了语音识别、推荐排序等深度学习技术，其中在推荐排序中红豆 Live 经历了三次算法迭代，从协同过滤到基于内容的推荐，最后到基于音频谱图隐藏特征的深度学习预测模型的演进。每次算法迭代，都是为了让用户发现更多优质主播，提高语音直播内容的传播。
首先，深度学习模型对于业务发展有着明显影响，胡南炜表示，红豆 Live 推荐模型的目标是发现更多主播、提高用户留存和平均收听时长。在应用深度学习预测模型后，从数据表现上，平台的主播发现率比人工运营时提高了 135%，用户留存率提升 20%，平均收听时长增长 80%，三个重要指标均有较大上涨。
其次，推荐系统的算法支持使得红豆 Live 的业务能力显著提高。红豆 live 的推荐系统，在标签服务里使用 CNN+LSTM 的模式，把直播间中的一些隐藏特征自动的提取、关联、抽象出来，从而大大提高准确率。
另外，红豆 Live 推荐系统中的两个关键技术分别是召回和排序，其中在召回层用到的策略，是基于 item 的协同过滤，基于用户 query 的 CTR 和用户的长短期兴趣进行召回。而在排序层，则使用 Wide & Deep 网络，主要基于召回层的 item 进行融合、排序，最终选出 top N 个 item 推荐用户。
此外，胡南炜还揭示了红豆 Live 推荐算法的具体工作流程：
利用 JStorm 对用户的行为日志进行实时收集，并定时更新基于 item 的协同过滤内容。
利用 JStorm 对直播间内容进行实时收集，实时为直播间打上分类、topic、主题词等标签，并定时更新用户画像内容。
利用 JStorm 对用户 query 日志进行实时收集，定时计算用户 query 的 CTR。
当用户进行刷新时，利用召回策略进行召回，再根据排序策略选择 top N 呈现给用户。
任何 AI 技术在应用的过程中，神经网络的过拟合都是让人头疼的问题，红豆 Live 也不例外，在开发过程中遇到的最大挑战就是它。胡南炜表示，他们解决这个问题的思路主要有三点：添加 dropout 层、进行正则化以及当 loss 和 acc 稳定即停止训练。
对于 2018 年 AI 的发展趋势，胡南炜认为 AI 技术的应用将更加垂直化，AI 技术将深入到用户的日常生活中，比如语音直播等。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
该免费文章来自《极客视点》，如需阅读全部文章，
请先领取课程
请先领取课程
免费领取
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论