带你读《2022技术人的百宝黑皮书》——无尽流场景优化总结(2) https://developer.aliyun.com/article/1246801?groupCode=taobaotech
排序优化
多目标学习模型
在每平每屋轻应用场景中，用户进入频道页后，浏览和点击内容卡片进入内容详情/无尽流页面，点击详情页的商品锚点进入商品详情页，进而进行收藏加购等行为, 业务模型涉及的优化目标包含了一跳点击，二跳点击，以及进入商详页后的收藏加购下单。因此，我们使用了用户多跳行为样本训练MMOE多目标模型，使每平每屋轻应用的多跳点击都得到了较大提升。
场景二跳页面详情页升级为无尽流场景后，业务前期无尽流场景流量较小，场景主要使用轻应用主频道样本训练的MMOE多目标模型作为打分模型。直接使用主频道样本训练的模型的优点是：模型有用户在每平每屋全域行为偏好信息，同时模型对多跳点击信息进行建模，多跳行为信息中包含了无尽流点击行为样本(二跳点击)，一定程度上兼顾了频道全域和无尽流场景的用户行为偏好，在点击效率上效果可观；但是该模型主要是优化场景点击效率，在无尽流场景中，我们同时也关注下拉深度的优化，因此构建了基于无尽流场景的下拉模型；
下拉模型
无尽流场景中，除了点击效率的优化，另一个重要目标是优化下拉深度，从而提升详情页的曝光量及消费PV；然而下拉深度这个优化目标，和常见的点击效率指标优化并不相同。一方面，用户的下拉深度是用户在进入无尽流详情页后继续下拉的整体曝光个数，是一个多卡片累积的指标；另一方面，用户在无尽流里下拉到一定深度后是否继续下拉，还是直接离开，不仅受当前曝光卡片影响，与之前的曝光序列也有关联。推荐流中的内容和引流内容差异太大或疲劳度太高，都可能造成用户跳失。所以为了优化浏览深度这个指标，我们从上下文和相关性出发，对用户下拉行为进行建模。
带你读《2022技术人的百宝黑皮书》——无尽流场景优化总结(4) https://developer.aliyun.com/article/1246799?groupCode=taobaotech
