小紅書的內容推薦模型是怎樣的？這篇文章里，作者就對小紅書的推薦模型邏輯進行了拆解，感興趣的同學，可以來看一下。

一、小紅書用戶隱私政策

收集和使用的個人信息

根據(jù)收集的用戶個人信息，我們可以發(fā)現(xiàn)小紅書的業(yè)務模式始終是基于內容進行過濾、檢索的信息流生活平臺，在這一平臺上生活美妝是其主題。

二、小紅書內容推薦模型

工業(yè)界常見的推薦模型一般包括特征服務、索引、召回、粗排、精排、重排、樣式創(chuàng)意等環(huán)節(jié)，我將基于此對小紅書的推薦模型邏輯進行拆解。

1. 特征服務與物料索引

在“設置-我的內容偏好”中，我們可以發(fā)現(xiàn)“為我們推薦可能感興趣的內容”，其中如“狗狗日?！薄ⅰ八囆g繪畫”便是平臺所使用的用戶特征、物料特征、情景特征。

此外，平臺內部還有不對C端公開的細化標簽，比如“狗狗日?！钡摹熬┌汀迸c“藏獒”便會被推送到不同用戶界面處。平臺基于這些物料特征為物料進行預訓練、打標，以供后續(xù)召回、排序等環(huán)節(jié)的使用。

2. 召回模型：Item-CF算法與雙塔模型

小紅書主要采用Item-CF算法類似的邏輯，然而這一算法普遍存在以下表征：

• 核心問題：如何計算物料與物料之間、用戶與用戶之間的相似度。
• 優(yōu)點：算法邏輯較簡單，容易實現(xiàn)，同時又有不錯的效果，具備一定的個性化。
• 缺點：與規(guī)則召回缺點方向一致，冷啟動問題明顯，存在一定的馬太效應，頭部熱門問題易與其他產生關聯(lián)。

為解決用戶冷啟動問題，以小紅書為代表的內容消費平臺采用雙塔模型的思想，在召回階段中往往會增加一路使用內容多模態(tài)表征的i2i召回進行優(yōu)化，這路召回由于只使用了純內容的特征，和老物品便可以公平比較，不會產生因為新物品后驗行為少而導致無法被召回的問題，近期引入了LLM對i2i召回進行優(yōu)化。

在現(xiàn)有的多模態(tài)i2i召回方法，在文本側一般都是用一個BERT經過預訓練后生成embedding然后基于embedding的相似度來進行召回，但是這樣可能也會存在一些問題：

• BERT表征能力不足。僅使用Bert生成的embedding只能代表文本的語義信息，和下游推薦任務的目標存在一定的不一致
• 標簽類別信息重點程度不足。一篇圖文筆記的標簽和類別往往代表他的中心思想，對于確定兩個筆記是否相關至關重要，但現(xiàn)有的Bert方法只是將標簽和類別視為內容的一個組成部分。

小紅書發(fā)現(xiàn)使用筆記內容生成標簽和類別的過程和生成筆記的embedding十分類似，都是講筆記的關鍵信息壓縮成有限的內容，因此引入一個生成標簽和類別的任務可能會提升最終embedding的質量，因此設計了3個方法：

1. 筆記壓縮prompt構建
2. 生成式對比學習（Generative-Contrastive Learning）
3. 協(xié)同監(jiān)督微調（Collaborative Supervised Fine-Tuning）

筆記壓縮prompt構建用來定義模型在訓練時的輸入，生成式對比學習和協(xié)同監(jiān)督微調分別對應兩個預訓練任務，前者引入了推薦中的協(xié)同過濾信號作為標簽進行對比學習來訓練更好的文本表征，后者其實就是根據(jù)筆記內容來生成對應的標簽和類別，以此強化embedding的可用性，結果表明將LLM引入i2i推薦任務可以提高推薦性能和用戶體驗。

此外，還觀察到單日對新筆記的評論數(shù)量顯著增加了3.58%。這表明LLM的引入有利于冷啟動。NoteLLM最終推全上線。

3. 排序策略

3.1. 粗排策略

行業(yè)內普遍采用基于模型的粗排策略。使用DNN模型構建CTR預估模型，并進行離線AUC指標評估與線上AB Test測試。

3.2. 精排策略

在內容推薦場景，對于內容推薦平臺如小紅書等來說其核心的業(yè)務指標是DAU、互動率。小紅書采用GBDT+Sparse D&W的模型算法通過構建click、hide、like、fav、comment、share、follow等模型特征來進行模型訓練，并輸出訓練結果，即CES評分=點贊數(shù)×1分+收藏數(shù)×1分+評論數(shù)×4分+轉發(fā)數(shù)×4分+關注數(shù)×8分。

3.3. 重排策略

3.3.1. 全局最優(yōu)的排序策略

一個界面里有四個帖子，很明顯小紅書采用的是序列優(yōu)化策略，會根據(jù)我點擊物料的行為進行排序，最終排出我最喜歡的東西，你會發(fā)現(xiàn)實習求職多數(shù)在上面，大多在左上角哦！

3.3.2. 基于用戶體驗的策略調整

一個界面里有四個帖子，很明顯小紅書采用的是全局最優(yōu)策略，在這一策略中，我們發(fā)現(xiàn)圖片、品類、作者都是各不相同的，品類也各有不同。但是由于作者酷愛小貓與苦尋實習，所以每次的推薦頁面均有小貓與實習職業(yè)相關內容。

3.3.3. 適當?shù)牧髁空{控

流量調控策略只有一種，即直接在重排層針對這部分物料進行相應權重的調整，例如小紅書的蒲公英平臺、特定活動的流量扶持計劃便是流量調控的一種表現(xiàn)形式。