快手的短视频推荐算法（1）

短视频应用近年来吸引了数十亿用户年，以多样化的内容满足他们的各种需求。用户通常会在短时间内在移动设备上观看许多主题的短视频一段时间，并非常迅速地给出明确或隐含的反馈他们观看的短片。推荐系统需要实时感知用户的喜好以满足他们的需求改变兴趣。传统上，推荐系统部署在服务器端为来自的每个请求返回一个视频排名列表客户。因此它不能根据在下一次请求之前对用户的实时反馈。由于客户端-服务器传输延迟，也无法立即利用用户的实时反馈。然而，随着用户不断观看视频和反馈，不断变化的上下文领先排名服务器端推荐系统的不准确。

在本文中，我们建议部署一个短视频推荐框架,在移动设备上解决这些问题。具体来说，我们设计并部署一个微型设备排名模型以启用实时服务器端推荐结果的重新排序。我们改进其预测准确性通过利用用户的实时反馈观看视频和客户特定的实时功能。通过更准确的预测，我们进一步考虑交互在候选视频中，并提出上下文感知的重新排序基于自适应波束搜索的方法。该框架已部署在十亿用户规模的短视频应用快手上，并提高了有效观看率，喜欢和关注分别为 1.28%、8.22% 和分别为 13.6%。