雪球：基于 TensorFlow 构建个性化股票内容推荐产品

文 / 唐晶明、方东昊，雪球推荐算法团队

背景介绍

雪球是中国最大的股票投资社区，其使命是“连接投资的一切”，愿景是成为“全球最大的投资交流交易平台”。雪球的核心目标是为股票、基金投资者提供优质的信息获取、投资交流和行情交易体验。

在二级市场进行股票投资是一件非常复杂的事情，市场每天都会有大量的信息产生，雪球社区每天也有近 10 万 + 股票相关的内容产生，投资者需要花费相当多的精力来分析处理这些信息，同时因为个人投资经验和投资能力限制，对于大部分信息投资者个人很难进行筛选，他迫切需要匹配合适的投资策略建议。那么雪球是如何借助 TensorFlow 提供的深度学习算法解决用户的需求和痛点的呢？

需求分析

首先经过需求分析，我们把用户的需求总结为三个方面：

1. 寻找自己能力圈范围内的股票，进行研究和操作 

2. 寻找投资能力强、值得信赖的专家，学习投资思路 

3. 获取市场资讯、个股点评和操作建议

这些需求的本质是如何高效的实现用户与内容、用户与股票、用户与用户的连接。雪球给出的解决方案是通过内容建立信任、找到专家；通过内容发现投资机会，找到股票；我们为用户提供一个多目标的个性化内容推荐引擎，以此满足用户在投资过程中寻找标的、寻找专家、获取信息的需求。

产品流程

雪球首页内容推荐产品采用了典型的 Feed 流结构（如图 1）。

（图 1）

首页推荐流程采用“召回-排序-多样性”过程（如图 2），产品优化目标不仅局限于用户的点击率、阅读时长，更包括用户阅读文章时的互动行为，以及通过文章关注用户、关注股票等目标。

（图 2）

模型选择

2017 年底雪球首页个性化推荐项目启动。在选择排序模型的时候，雪球算法同学主要考虑两个因素：

1. 模型泛化能力较好，能够兼容处理离散特征和连续特征 

2. 具有完备的工具支持，可以快速开发离线训练流程和在线预测模块

当时我们调研了各种开源的机器学习模型，从最简单的 LR，GBDT 到 FM、DNN、DSSM，最终选择了 TensorFlow 框架自带的 Wide&Deep 模型。在模型性能方面， W&D 模型结合了线性模型的记忆能力 (memorization) 和 DNN 模型的泛化能力 (generalization)，在训练过程中同时优化两个模型的参数，从而达到整体模型的预测能力最优。在工程实现方面，有 Google 工程团队的技术能力背书，TensorFlow 框架应用在我们这样的场景毫无压力，另外框架本身的文档也非常详细，使整个推荐引擎的开发流程变得非常顺利。

图 3. Wide & Deep 模型结构

优化目标

雪球是一个股票内容社区，我们希望用户通过首页推荐阅读自己关心的投资信息，产生更多的转/评/赞互动行为，进而找到自己感兴趣的股票和大 V。因此，推荐模型以点击率 CTR 为基础优化目标，根据阅读时长、互动行为、关注行为、用户 People-Rank 进行样本加权，具体如图 4 所示。

（图 4）

特征工程

雪球用户在社区内会产生大量的行为数据和结构数据，在此基础上，算法团队建立起一套完整的特征体系，对用户、股票、内容进行细致的刻画。 

图 5. 雪球推荐特征体系

在特征工程方面，TensorFlow 和 Wide&Deep 提供了大量简单易用的工具封装，可以非常方便的进行各种特征处理，极大提升了团队的工作效率。特别是平台自带的 Feature Columns API，完全覆盖了深度模型特征变换所需的功能。

图 6. Tensorflow Feature Columns API

服务部署

雪球社区覆盖了 A 股、港股、美股三大市场的股票信息，在不同交易时段、交易日与非交易日、用户的行为有很大差异。社区内可供消费的内容也是多种多样，包括资讯、公告、PGC 长文、UGC 帖子等等。为了获得更好的排序效果，我们根据用户人群、交易时段、内容品类拆分成十多个细分模型；在模型迭代过程中，需要支持数十路尾号流量做 A/B Test；这些都给线上模型部署和管理带来很大挑战。我们的工程团队借助于 TF-Serving 框架，开发出一套模型自动部署和流量分配系统，非常给力的支持了推荐效果迭代。

总结与展望

TensorFlow 框架和 Wide&Deep 模型在雪球首页推荐效果优化过程中发挥了巨大的作用，不仅有力的提升了雪球算法团队的工作效率，更使得用户的阅读时长和互动行为上提升了 200%。是中小型创业团队AI技术赋能的利器。

在算法演进方面，基于 Point-Wise 的 CTR 预估方案有其自身的局限，它主要是估计点击率的绝对值，没有考虑不同用户、不同内容品类的点击率 bias。雪球算法团队的同学目前正在尝试使用 TF-Ranking 的 Pair-Wise 解决方案，相信它一定会给我们带来更好的用户体验。

参考文献

[1]Wide & Deep Learning for Recommender Systems - arXiv  https://arxiv.org/pdf/1606.07792.pdf

[2]https://github.com/tensorflow/models/tree/master/official/r1/wide_deep 

[3] https://github.com/tensorflow/serving

[4] https://xueqiu.com/

更多案例：

（点击 “阅读原文“，提交案例，我们将尽快和你联系）