主题类音频个性化推荐系统_系统开发案例-程序员客栈

技术信息

语言技术
Python、RabbitMQ、Redis、Spark系统类型
Android应用、iOS应用、Web行业分类
内容平台、社交

作品详情

行业场景

微博音频业务存在推荐同质化、新用户冷启动、音频匹配精准度不足等问题，传统规则推荐难以捕捉用户深层兴趣。本项目面向微博音频消费场景，基于用户收听、博文行为数据，结合大模型向量技术搭建全链路个性化音频推荐体系，覆盖用户兴趣理解、音频召回、排序、高并发线上服务全流程，服务海量微博用户收听音频内容，提升音频消费转化指标。

功能介绍

项目包含音频特征离线处理模块、用户个性化主题生成模块、向量召回模块、排序模型服务模块、定时数据更新模块。通过 LLM 自动提取音频主题与关键词并向量化入库；基于用户行为生成个性化兴趣主题，新用户依靠热搜关键词完成冷启动；依托 Milvus 向量相似度检索召回音频，兜底热搜召回保障覆盖率；基于改进 ONN-Sparse 排序模型对候选音频重排；Triton 封装模型服务，Redis+MySQL 异步接口支撑高并发线上请求。

项目实现

我独立负责全链路算法设计、模型研发与工程落地。使用 Spark/Hive 处理离线音频数据，LLM 做主题抽取，向量存入 Milvus；采用 Jinna Embedding V4 做向量化检索；基于 Llama-Factory 实现 MoE-LoRA 改进 Qwen3-14B 微调，优化用户兴趣预测；改进 ONN 排序模型，设计三分类标注样本；Triton 部署 Embedding 与排序模型，Redis 异步 Pipeline 优化并发。项目落地后 CTR 提升 46%，申请发明专利 3 项。