微博|人工智能技术创新，赋能微博内容理解与分发( 二 ) 推荐系统|算法

这种算法，对信息量比较少的节点尤为重要，比如，对系统里面的新用户，也就是我们常说的冷启动用户，他本来的信息就非常少，不过可以通过网络中临近的用户，来推导这个用户的信息。这就是超大规模图计算的魅力所在
人工智能还有一个明显的技术趋势，就是从专用模型走向通用模型。目前的AI模型绝大多数仍然是任务专用的，通常针对具体任务设计特定结构的模型，一个模型专门做一件事，比如，自然语言处理常常会使用Bert模型、图像处理经常采用CNN模型。
从专用模型走向通用模型则是一个技术发展趋势，谷歌在前些年提出这一构想，希望通过构造一个通用的大模型，达到“一个模型做多件事”的目标。
不同任务数据输入后，通过路由算法，选择神经网络的部分路径到达模型输出层，不同任务既有参数共享，也有任务独有的模型参数部分，通过这种方式来达成“一个模型做多件事”的目标。
另外，强化学习是人工智能技术发展趋势里面一个很重要的领域。大家提到强化学习，可能第一时间想到的是AlphaGo ，确实， AlphaGo和李世石的“世纪之战“ ，是人工智能的里程碑事件。其实，强化学习在其他领域也有很多的结合点：如自动打游戏，自动驾驶，机器人等领域。
个人觉得，只要我们深刻理解复杂的业务场景，找到一个合适的，容易量化的reward函数，强化学习技术就会在业务发挥重要的价值。
前面跟大家简单的介绍了人工智能的几大发展趋势。这些都是我们在具体实际工作中的一些感受，也是微博对人工智能工作理解的一个总结。
我们应该感恩这个时代，人工智能的飞速发展，让我们能做的事情越来越多，也让我们的事情越做越好。微博和大部分互联网公司一样，正在享受着人工智能给我们带来的红利。我们正在把人工智能方方面面的技术，与我们的核心业务深度结合，赋能各个应用场景。
具体来说，我们的应用场景，包括：关系分发，兴趣推荐， push ，超话，视频，新闻等业务场景。
微博推荐系统面临复杂多样的业务场景，微博环境下做推荐系统，既具有鲜明的微博特色，同时又面临着复杂的业务场景。主要体现在三个方面：首先是无处不在的社交关系。我们知道，微博作为国内最大的社交媒体，目前月活用户达到5个多亿，而这些用户通过关注关系、发博文、对博文的转评赞等各种行为，建立起了一个庞大的社交网络。其次，微博内容具有时效性强、多样性高的特色，很多社会热点事件都是第一时间在微博引爆的，而且作为综合媒体，微博涵盖了几十个高质量的垂直领域。第三，是多元化场景的推荐需求。我们微博很多场景，比如关系流、热点流、视频流等，都有很强的推荐需求。
简单的说，微博推荐系统整体由三个部分构成：第一部分是，微博内容理解、也就是我们对微博文本，图像，视频的理解。第二部分是，微博用户理解，也是我们常说的用户画像。第三部分是，基于我们对微博内容的理解，对用户的理解，把高质量的微博内容，分发给感兴趣的用户人群，这就是微博推荐系统要做的事情。
首先要分享的是微博内容理解，微博内容包含了文本、图像、视频三类不同类型的信息。其中，对文本的理解，是微博最重要也是最基础的一项工作。对微博内容打标签，是对文本理解的重要组成部分。
为此，我们构建了一个三级的内容标签体系。第一级是比较宽泛的类别定义，比如“体育”、“娱乐”等类别，目前包含56个类别；第二级是在第一级基础上的细化，比如“体育”一级类别下就有：“足球”、“篮球”等细化类目；第三级标签是主要是实体识别，比如具体到的某一个球星，目前包含几十万个这样的三级标签。