此外，“五层塔”系统也会考虑曝光频率控制、流量保护等策略，做出最优决策。

图像识别平台

在直播场景中实现个性化推荐，其实有三个难题：

1）对直播内容的理解——从科研角度看，直播间完全是一个黑盒，很难判断直播间里发生的是什么；

2）实时性，也就是内容变化的随机性。主播是没有剧本的，完全取决于跟用户的交互，而映客要实时响应这种变化；

3）精准性，也是衡量所有推荐系统的标准。

针对以上难题，映客通过图像识别、语音识别、文本挖掘来进行内容理解，还专门搭建了图像识别平台，深度学习与统计学习双管齐下，提高推荐预测的准确性。

对于直播间来说，用户画像对于推荐作用是最核心的。映客通过图像识别技术预估主播画像，比如人脸属性识别，甚至会识别眼睛大小，包括主播服饰等。

如何抽取和设计标签呢？一是对主播群体进行聚类，对聚类结果抽取标签；二是基于业务知识抽取标签。虽然很多标签标准是感官判断，但对人群还是有区分性。映客还对场景和行为进行识别，目前覆盖了上百种行为标签，如钢琴，弹古筝，健身等。为实现上述目标，映客搭建的图像识别平台起到很大作用。

如何获得大量的标准数据，提升深度学习效果?

映客通过构造两个闭环获取标注数据。所有直播间都有人工审核的过程，审核时会给直播间打上标签，用于模型训练，把新的数据模型预测结果再推到人工标注平台，人工再对预测结果进行修正，通过迭代循环不断提升模型效果。另外是通过收集到的行为日志，基于行为日志预测标签进行训练，同时根据分发后的反馈数据修正标签，从而不断优化模型。

智能推荐，用户观看时长增3倍

从实际效果看，个性化推荐与人工运营相比，点击率增加50%，用户观看时长增加3倍，关注转化率也整整翻了1倍。

在今后，映客会在直播间内容理解方面投入更多精力，包括在推荐中如何做好短期内容和长期内容的探索。

下载演讲PDF完整版

（可能需要复制链接，在浏览器中下载）

活动推荐：

10月16日，2018UBDC全域大数据峰会，U-App AI版将正式发布。返回搜狐，查看更多