音乐视频个性化推荐系统产品系统

在线音乐与视频平台进入存量运营阶段，用户留存与人均时长取代拉新成为核心指标。旧推荐系统以热门榜单分发为主，个性化不足，出现新歌曝光难、创作者流失、老用户听歌疲劳、前 3 秒跳过率达 27.4% 等问题。立项旨在重构推荐系统，解决"千人一面"的内容分发问题，同时兼顾分发效率、创作者生态与用户收听体验。

系统覆盖每日推荐、私人 FM、视频信息流、相似内容推荐四大场景，包含五层功能模块。①多路召回层：ItemCF/Swing 协同过滤、深度双塔（音频与封面特征）、实时会话 i2i、热门新星兜底；②排序层：粗排双塔蒸馏与精排 MMoE 点击/完播/时长多目标建模，并将协同过滤共现分与置信度作为特征注入精排；③重排层：曲风与歌手集中度打散、新歌冷启流量调控、已曝光过滤与疲劳度控制；④特征平台：Flink 秒级播放/跳过实时行为特征，线上线下一致；⑤A/B 实验平台与推荐网关，支持分层分桶、分流、降级与兜底。

我担任算法架构负责人，主导总体架构设计与精排模型研发，带领 5 人团队完成灰度至全量上线。技术栈为 TensorFlow on Spark、Flink、Redis/HBase、MMoE/ESMM。亮点是把协同过滤共现分与置信度注入深度精排模型，实现记忆与泛化能力互补，上线后点击率相对提升 9.7%（4.93%→5.41%）、完播率提升 3.3pp 至 41.2%、人均播放时长增加 10.4%、接口 P99 时延由 118ms 降至 76ms；难点是完播率等延迟反馈指标的样本归因与延迟修正，以及多目标之间的跷跷板效应调参。