搜狐新闻客户端的背后大数据技术原理——推荐系统（PPT）

2014年12月12-14日，2014中国大数据技术大会暨第二届CCF大数据学术会议在北京新云南皇冠假日酒店圆满落幕。在会上，搜狐移动研发部经理刘佳为大家分享了《基于全网内容的新闻客户端推荐系统》的经验，并对针对新闻客户端遇到的内容分类质量识别图文、视频、音频、游戏、数据稀疏、内容冷启动、用户冷启动、噪音处理：三俗内容等棘手问题的处理方式展开演讲。

要点：

搜狐移动端新闻推荐的两个特点：

• 广告系统。广告系统，搜狐追求转化率、辅助指标ROI、用户效果。
• 搜索系统。搜索引擎中，追求对内容理解、内容爬取、文本关键词主题提取、文本分类、主题分类、内容索引、垃圾过滤、page rank、反作弊等等。
  

随后，刘佳介绍新闻推荐系统中三俗内容的处理方式，他说：“推荐系统出现三俗内容，可以提高18%-20%的转化率，虽然可以暂时提高点击率，但是对用户的粘性有很大的影响。我们会通用户阅读分布、用户属性分布统计性和精细化的分类进行筛选三俗内容。整体处理后，转化率下降到15%，推荐总量提升20%，用户使用频次也有20%的提升。”

搜狐新闻客户端目前内容来源：

• 自媒体约17000家 10到15万/每天
• 机构媒体+搜狐集团 10到15万/每天
• 短视频 300万
• 搜狗内容50万/每天 去重后约 7万/每天
• 搜狗微信公众号 2万/每天

新闻入库过程：

1、内容同步、抽取（每日100万资讯内容，过滤垃圾信HTML标签、广告、页
面重复内容保留）

2、基于正文内容特征生成全局ID（基于正文内容过滤重复，海明哈希。同步到各CMS生成全局ID）

3、基于标题、摘要、关键词生成cluster ID （基于标题及摘要关键词生成cluster Id；决定cluster score；根据版权、合作关系、来源质量、发布时间选择代表文章）

用户建模：

1、与内容分类对应；

2、分为长期短期两套体系；

• 长期：用户半年阅读行为、更新周期3天
• 短期：用户最近两天阅读行为、更新周期10秒
  

3、用户阅读历史

详细PPT：

来自群组: Hadoop中国