Facebook推荐工程师交流笔记
背景
与facebook某工程师交流，记一下交流的信息
具体说明
自己总结：
Q1：facebook的推荐PM跟推荐RD怎么配合，推荐PM的需要涉及到model的工作吗？
A：因为feed是一个会涉及到多个业务的部门，所以PM会做很多协调，管理方面的工作，来推动各方支持。推荐PM不会涉及到model部分。
Q2：如果是纯富媒体内容（比如纯图片，纯视频，非文本类），在推荐中的学习使用情况。
A：facebook没有对内容有任何的学习处理，会提取用户发布的#hashtag#，但是不会自己再对内容做理解。所以也没有处理过图像，facebook实验室针对图像做的一些东西，instagram在用，但是facebook feed本身story没用。
——延展：这里才想起来，facebook其实只有一种召回，就是关系召回，他们的机器学习重点用在排序上，facebook允许你刷feed没有内容，如果你关系少的时候，就会引导你去加关系，这部分是growth团队负责。
Q3：如果实现多目标融合，还是有一个终极目标，可以代替多目标
A：几个点，1）facebook对每个重要的event都有prediction模型（多目标），每个event 预测本身，是不能干预的，最终产品策略会干预，某个event加大概率。（model内部参数不会人工调整，只调整目标策略），最终使用多目标融合 2）针对不同的国家，不同的page（比如small /new page），会有一些个性化的model做辅助，跟大模型的结果做merge。
Q4：特征挖掘，新特征补充，是什么流程
A：早期的重要特征都是人工去挖掘，facebook到现在，基础的显性特征几乎都有了，新的特征几乎都是靠GBDT去学（这块不是很确认）
Q5：如何保证推荐多样性
A：靠规则
Q6：非story类的item，在推荐的时候怎么推荐
A：给配额插入，但是会做打散
Q7：是否会使用本地模型，对服务端返回的结果再做排序
A：facebook有包的大小限制，本地目前没有做很多，好像有人在尝试
以下是别人总结：
Q1：是否使用在线学习的框架。
A：暂时没有
Q2 判断该放弃LR并使用更复杂模型的边界是什么？
A：没有,但是任何新模型都是先用LR试,然后迭代,根据迭代效果去决定是否选择换模型，换模型的主要原因就是尝试，或者其他部门有用了，自己也试一下
Q3：听说是早就应用深度学习了，当初应用的DL的出发点是什么？可否谈谈DL现在的效果及各milestone？DL在排序模型中的应用该注意什么？
A：没有具体回答
Q4：大规模ID类型特征，比如UID，在做特征处理、训练的时候有什么要注意的地方
A：线上没有使用
Q5： 当文本内容很少的时候,加入多媒体(图片，视频)内容增加识别准确率，如何平衡两类内容权重.
A：对多媒体内容没有做任何分析.
Q6：头部账号与普通账号内容热度不可比，怎么办。
A：根据需要可以多大号的特征进行衰减
Q7：曝光位置是否使用？
A：离线训练的时候用，在线预测的时候可以设置成缺省值