从直播业务上线起，本人就开始负责整个推荐体系的搭建，包括最基础的数据上报链路的设计，特征画像体系的构建，物品的召回方式，以及精排模型的迭代优化还有最后重排层策略的设计和完善。到目前为止，推荐体系中各个核心模块，比如特征、召回、精排和重排，已经有了一个比较完整稳定的相架体系，虽然还没到达到非常完善的程度，但也在各个模块中做了很多的尝试和优化，整体优化下来，人均时长也比提升了10%以上。推荐体系具体模块及主要成果如下:
•完成了直播推荐算法体系从 0 到 1 的搭建，包括数据上报规划、特征体系构建及召回
层、精排层和重排层的算法模型或策略体系的搭建
•从离线、实时、用户流水数据和基础属性四个维度搭建特征体系，完善用户和物品的
画像特征
•构建多路召回策略，包括实时相关召回、热度召回、用户历史偏好召回等，全面覆盖用
户潜在偏好主播
•基于 TensorFlow 框架构建深度学习精排模型，从单目标模型、多目标模型逐步优化至多
场景多目标模型，涉及算法包括 DeepFM、ESMM 和 MMOE，模型优化点包括样本权重优化、
多目标 loss 优化、序列 ID 特征 Attention、多目标融合优化等，精排模型效果提升 10%+
•实现多种重排层策略，包括比例控制、曝光降权、冷启动扶持、动态扶持、柔性清晰度
过滤、实时内容合法性监测并降权，用以兼顾用户体验和运营需要