前不久的首届广州直播节，用户只需打开手机微信的“扫一扫识物”扫描广州塔，即可进入广州直播节的小程序，直达一个72小时不打烊的“云购物天堂”。在这背后，是微信扫一扫识物技术从识别特定编码形态的图片如二维码/小程序码到精准识别自然场景中商品图片的巨大技术进步。它是如何实现的？过程中又有哪些难点需要克服？在未来又会催生哪些新的落地场景？我们用1万多字告诉你答案。扫一扫识物概述

在微信AI背后，技术究竟如何让一切发生？关注微信AI公众号，我们将为你一一道来。今天我们将放送微信AI技术专题系列“微信看一看背后的技术架构详解”的第三篇——《微信看一看内容理解》。内容理解与推荐相信对于不少人而言微信已经成为获取资讯的主要场景。与此同时，由于微信用户群体的庞大，也吸引了大量的内容生产者在微信公众平台创造内容，以获取用户关注、点赞、收藏等。微信内的内容推荐产品：看一看应运而生。结合微信用户的内容消费需求，以业务目标为导向，我们的推荐系统从基于属性召回、到协同&社交召回、再到深度模型召回进行了演进，深度模型涵盖了序列模型、双塔模型、混合模型、图模型，最终形成了多种召回并列、多路模型共同作用的看一看内容召回系统。如果把推荐系统中工程服务比作骨骼，那么推荐模型可以比作肌肉，还需要内容理解作为血液，纵向贯穿整个推荐系统，从内容库、到召回、再到排序和画像，源源不断的提升系统的推荐精度，本文将着重介绍看一看内容理解平台及应用。看一看接入了非常多合作方的数据作为内容源。由于接入数据源较多，各家数据从内容、质量、品类等差异性比较大。看一看平台方会对数据做“归一化”操作，然后应用于推荐系统线上部分。内容理解定义：对接各种外部图文等内容，对接入内容做业务级内容多维基础理解，同时进行外部标签与自有标签体系对齐，完成应用级内容打标；反馈至下游应用方：用户需求系统，召回策略，召回模型，排序/混排等使用；同时，在业务数据滚动与迭代中修正数据刻画精度与效果，逐步贴合与提升业务线效果；我们将内容画像定义为两个大维度：通过内容本身来理解内容，通过行为反馈来理解内容。前者主要针对内容抽取静态属性标签；后者，通过行为积累的后验数据，统计，或模型预估内容的知识，倾向性，投放目标，以及抽象表达。内容画像定义内容理解主要包括文本理解、多媒体理解、内容倾向性、投放目标预估，主要应用在内容试探效率提升，推荐分发模型的特征泛化，多场景的内容库构建，推荐相关性召回和语义排序以及封面图优选创意，旨在提升精选、在看、看一看+核心业务指标。同时，我们在工程同学的大力支持下也将内容理解技术服务化/工具化，一方面支持业务快速扩展，另一方面对外部门提供内容理解支持。文本内容理解业务中有大量的文本信息，包括图文标题和正文，视频标题，ocr，评论等数据，需要对这些文本信息进行归一化，除了抽取分类、tag、entity，针对外部标签，我们还会做标签映射，面对画像中大量近似标签问题，我们也做了tag聚合/topic，同时我们还通过知识谱图的推理能力，加强对内容的理解深度和广度。

在微信AI背后，技术究竟如何让一切发生？关注微信AI公众号，我们将为你一一道来。今天我们将放送微信AI技术专题系列“微信看一看背后的技术架构详解”的第二篇——《微信看一看内容召回》。看一看介绍相信对于不少人而言微信已经成为获取资讯的主要场景。与此同时，由于微信用户群体的庞大，也吸引了大量的内容生产者在微信公共平台创造内容，以获取用户关注、点赞、收藏等。微信内的内容推荐产品：看一看应运而生。基于微信通过多年的用户沉淀，积累得到的大量“隐式反馈”阅读兴趣信息，可以精准的实现内容与内容消费者之间的推荐。同时，秉承降低用户获取信息茧房效应，拓宽用户阅读兴趣，增强互动，强化用户认知，及时获取咨询等等诉求，看一看不断在算法迭代的同时，引入各类腾讯系，外部图文，视频，资讯，小视频等内容，丰富内容多样性的同时不断上线优化产品体验与进行样式优化。内容库与内容画像■

在微信AI背后，技术究竟如何让一切发生？关注微信AI公众号，我们将为你一一道来。今天起，微信AI推出技术专题系列“微信看一看背后的技术架构详解”，干货满满，敬请关注。以下为本专题的第一篇《微信看一看推荐排序》。背