TwERC：Twitter 广告推荐中的高性能集成候选生成

推荐系统是社交媒体公司的核心功能，其用途包括推荐自然内容与推广内容。许多现代推荐系统被划分为多个阶段——候选生成与重排序——以在计算成本与推荐质量之间取得平衡。本文关注大规模广告推荐问题的候选生成阶段，并提出了该阶段的一种以机器学习为先的异构重构，我们称之为 TwERC。我们展示了一种将实时轻量排序器与能够捕获额外信息的 sourcing 策略相结合的系统可带来经验证的收益。我们提出两种策略。第一种策略利用交互图中的相似性概念，第二种策略则缓存来自排序阶段的先前分数。基于图的策略实现了 4.08% 的收入提升，而基于秩分数的策略实现了 1.38% 的提升。这两种策略的偏差与轻量排序器及彼此互补。最后，我们描述了一组我们认为有价值的指标，用以理解工业级候选生成系统中固有的复杂产品权衡。