2025年度总结
2025年度总结
80% -> Soulchill相关
10% -> 生成式召回相关
10% -> 粗排 && 精排
Soulchill相关工作
业务流水账
Q1. 语音房召回正向明显，同时高效完成了Soulmate相关召回策略的开发
Q2. 语音房相关召回工作收尾，DSSM模型推全，Soulmate相关召回需求迭代完成，首页混排场景相关召回策略开发上线
Q3. GCC（重点区域)针对性的做业务迭代优化，AB有相对明显的收益，但是后续GCC方向不再受重视，没有推全
Q4. 心动匹配，语音房关注帧，语音房弹出等相关需求开发支持
生产式召回相关工作
Q2. 尝试多种token化的方案，最终通过离线测评，确定了基于U2IV6 FEED EMB token化的方案。
Q3. 上线相关召回实验，长期观察没有显著的收益，下线
粗排 && 精排相关工作
Q3. 开始逐渐熟悉rank相关代码，对rank模型了各种维度调整测评:
- 换torch框架：指标基本持平
- 改模型结构，指标持平
- 换loss函数：指标波动剧烈（auc跌，gauc大涨)
Q4. 基于rank模型的架构，大量删减特征和模型结构后，作为粗排模型上线，目前效果负向
工作反思和总结
Soulchill相关工作、
Soulchill相关工作中，也业务方联系不够紧密，对业务理解非常有限，在业务发展过程中，处于一个可有可无的角色，并没有和业务方很好的建立起信任关系。
曾经试图和运营同学加强沟通，但是最终不了了之，几乎没什么沟通。
产品同学本身对业务理解有限，我们也没有就一些基本的业务问题，和产品进行细致的沟通，所以我们大部分时候就是个需求执行者的角色，非常被动。
排序相关工作
现有的排序模型，主要的目标是准确预估用户的各种率，比如点击率，点赞率，评论率等，可以认为预估的越准确，线上的排序效果越好。
离线测评的时候，通过GAUC来评估模型效果，一般GAUC涨线上指标就会涨。
离线迭代过程中，引入bprloss，GAUC大涨，AUC大跌，线上实验负向非常严重，本质原因应该是当前的这套打分分布，和实际预估的转换率存在较大差异，后续的融合分公式也不适配，这点之前完全没有想到，然后浪费了很多时间
粗排模型，一开始为了快速上线，push工程同学，解决线上缓存的问题，特征删减的太厉害了，效果不及预期，后续会从特征选择和训练目标两个角度，做一些更加细致的工作。
2026年度期望
- 探索新的推荐技术方案
- 如何更好的和业务方开展合作?