美图公司目前拥有3亿多月活跃用户，日均处理上亿图片和视频。为了让用户收获更多，2018年，美图正式转型“美和社交”的战略，社交化转型的过程中遇到了不少困难和挑战。

本次分享将介绍美图推荐算法团队如何应用深度学习技术，来克服社交化转型中遇到的各种挑战。首先，内部基于传统机器学习任务开发的工具，通过特征编码方案和特征数据结构的升级以支持深度学习建模。同时通过对Neural Factorization Machine模型的三次改进，适应了业务对模型的需要。另外通过用户行为序列特征建模进一步增强了模型端到端的能力。为了解决模型因复杂度过高导致的在线耗时增加的问题，我们也实现了多塔网络的模型框架。最后，通过多任务模型的几次迭代，解决了推荐场景下多个优化目标的需求。

在过去一年的具体实践中，从模型改进到特征建模再到多目标优化，我们也总结一些经验，相信也能带给大家一些的启发和帮助。

演讲提纲：

1. 美图推荐场景与面临的挑战

2. 支持深度学习的传统机器学习工具的升级

3. 基于NFM模型的几次模型改进

    a) 基于特征空间线性变换的改进

    b) 基于二阶特征加权Pooling的改进

4. 用户行为序列特征建模

    a) 用户行为序列特征建模的几种方法

    b) 基于用户行为加权的序列建模方法

5. 解决在线推理效率的多塔网络

6. 推荐场景下的多任务学习

    a) 基于样本reweight的方法

    b) 多任务模型之Multi-Task NFM

    c) 多模型以及多个多任务模型

7. 未来的工作计划

听众受益：

1.了解推荐场景下，传统机器学习工具向深度学习工具转变的几个优化点与方案

2.了解NFM在推荐排序下的应用，以及存在问题和优化方案

3.了解用户行为序列特征建模在真实推荐场景下的应用方法

4.了解推荐场景下，多任务学习的几种方法以及各自的优缺点

前沿亮点：

1.深度学习的特征编码方案

2.NFM模型的改进

3.行为序列特征建模方法

4.排序模型在线推理加速策略

听众知识储备：

1. 具备基本的机器学习、深度学习模型实践经验

2. 对推荐场景，以及推荐排序有一定的了解