行业落地分享：大模型在小红书推荐的应用！

主要观点总结

本文主要介绍了小红书推荐系统的实践和应用，包括其推荐流程、技术挑战和解决方案，以及如何利用大模型进行内容理解和用户兴趣推理。文章强调了小红书作为一个内容分享平台的特性，如何通过推荐系统精准地将优质内容推送给用户，并介绍了系统在内容理解、新笔记冷启动、互动目标建模与优化、社区氛围利用以及用户兴趣推理等方面的技术和策略。

关键观点总结

关键观点1: 小红书作为内容分享平台，其推荐系统的核心任务是精准将优质内容推送给用户。

小红书的推荐系统通过多轮筛选和排序，确保用户能够看到最符合自己需求的内容。系统利用多种技术如多模态内容理解技术、多目标建模和强化学习等，理解用户兴趣和内容质量，从而提供精准推荐。

关键观点2: 新笔记冷启动的挑战及解决方案。

新笔记发布时缺乏用户行为数据，推荐系统通过多模态理解技术提取笔记标签、话题等信息，生成内容表征。然后通过种子人群圈选、Lookalike扩散等方式扩大新笔记的触达范围。在分发过程中，系统基于用户行为反馈实时更新笔记表征，确保新笔记能快速适应用户需求。

关键观点3: 互动目标建模与优化的重要性及实施方式。

小红书采用超长序列建模和实时多行为序列建模，深入挖掘用户的长期和实时兴趣。同时引入实时context特征，更精准判断用户即时兴趣。利用强化学习技术优化用户的互动偏好，最大化用户在长周期内的累计互动次数。

关键观点4: 大模型在社区推荐中的应用及优势。

小红书利用大模型进行内容理解和用户兴趣推理，突破信息茧房，实现内容与用户的深度匹配。引入多模态表征能力，结合文本、图片、视频等多种模态特征，提升内容理解的准确性。全链路应用大模型技术，从召回阶段到排序阶段实现优化。同时，通过用户兴趣推理，不仅识别用户已有兴趣点，还推理出潜在兴趣，为用户推荐更多相关但不完全相同的内容。

免责声明