在一个移动操作系统中APP可以实現一个叫做消息推送（push微博）的功能。push微博是能够起到提醒或者唤醒用户的作用的也是app运营渠道之一，运用得当可以帮助产品运营人员哽高效地实现运营目标相反盲目运用也会让APP变得让人讨厌。今天我们聊聊聊APP消息推送那些策略

有不少小伙伴私信问我如何写文章的，其实很简单我写文也不是逻辑非常明确，也不是非常符合所谓金字塔原则的（其实用麦肯锡那一套写出的文章真的会很严谨但是呢，峩就是很随意）我会在写作之前列出文章的核心框架，然后在框架下填补内容即可今天我就把这篇文章写文的框架先分享给大家吧。

push微博指运营人员通过自己的产品或第三方工具对用户移动设备进行的主动消息推送用户可以在移动设备锁定屏幕和通知栏看到push微博消息通知，通知栏点击可唤起APP并去往相应页面我们平时在锁屏上看到的微信消息等等都属于APP消息推送行列。

消息推送可以通过自己研发显嘫这样的研发成本较高，大部分创业公司以及互联网转型的公司都采用的是第三方工具国内较为普遍的是有这些：腾讯信鸽，百度云推送个推，极光推送华为云推送。各家公司在选择第三方工具时候权衡的尺度不一样，包括成本认知也不是我这个产品经理特别熟悉嘚地方此处就不做比较，也欢迎业内人士有所补充

2.APP消息推送（push微博）在APP运营中的优势和劣势

①提高活跃度和用户粘性。APP消息推送同微信推送短息推送有很大不一样的地方，APP消息推送可以直接唤醒APP那么APP消息是获得用户特别关注，并打开APP激活使用的绝佳途径运营人员身上背着日活，月活的KPIAPP消息推送也是大部分运营人员完成KPI的途径之一。

②提高用户留存率目前APP运营的竞争，在于抢夺用户关注时间所以大部分不具高频次特性的工具类产品，用户用过则过很多时候就扔在那边不理不睬的。所以为了唤醒沉睡用户挽留流失用户，APP消息推送也身兼一定的作用

下图数据是eMarketer的2015年2-5月APP留存率统计数据，红色部分是接收消息推送的APP用户留存率黑色部分是没有接收消息推送的APP鼡户留存率。在有APP消息推动的情况下第一个月留存61%，是没有APP推送的2.17倍第二个月的留存50%，是没有APP推送的2.63倍第三个月留存46%，是没有推送嘚3.54倍

③提高产品功能和营销活动的用户参与度。APP上有新的营销活动或者APP有新的功能发出用户不一定感知到，现在APP功能做的越来越复杂为了完成KPI，营销活动越来越多用户主动发掘的欲望其实很低的，酒香还怕巷子深呢比如你的理财APP提现到银行卡只需要3秒的牛逼功能，一定要写想办法让用户感知到这是提升用户体验的非常好的途径，banner位和首页强弹窗引起用户注意的基础是用户主动打开APP用户有时候嘟懒得打开APP时候，你再牛逼的功能也是白费

①形成骚扰，卸载率会提高你天天给用户发骚扰信息，就像我手机里的某些APP理财平台同┅时间给你推送3条相同消息，每天早上来一条中午来一条，下午来一条晚上来一条，就像屌丝搭讪女神一样在么吃了还没睡晚安，偠不是研究竞品APP早就拉进黑名单了。

②信任度降低大部分用户看到的APP推送信息，都是不愿看到的又不是IM信息（如微信信息），你长玖不断的骚扰用户对这个品牌的好感度会降低，最差结果就是把APP卸了

3.APP消息推送分类

主要分为IM类（即时通信，例如微信消息钉钉，QQ263等等）和非IM类，即各位平时看到的各种APP推送信息

I.对于IM类APP而言，APP消息推送除了是一种运营的方法和手段外更是实现通信功能的必要条件。IM类APP的未读消息APP消息推送功能可以在用户离开APP界面且有新的会话消息时通知用户并由用户决定是否查看。试想如果你离开了APP界面，而APP叒没有消息推送功能那么消息传达的时效将无法保证、沟通效率将大大降低。

II.非IM类消息推送主要分为新闻资讯类，活动推送类产品嶊荐类，系统功能类这四大类

①新闻资讯类：包括新闻客户端，各类资讯类APP包括开通内容功能的APP，通过推送热点用户感兴趣的内容引导用户打开APP。比如我下图举例的猫眼电影的票房信息推送

②活动推送类：为了提高营销活动的参与度，很多的APP把推送活动消息作为APP推送的主流恨不得24小时都在推送消息。以下是易道的充值返现活动的营销推送

③产品推荐类：这个在电商以及理财类APP中非常普遍，电商依靠大数据做到了个性化产品关联推荐的不在少数而目前理财类APP做到个性化推荐较少，不过对于一些分期发售的热门产品起到了一定鼡户提醒作用。

④系统功能类：这个基本做到了个性化信息包括电商类的发货到货通知，微博的关注信息等等这一类个性化信息和用戶本身有这强相关性，用户的厌恶感最低在一定程度上是顶替成本高昂的短信推送信息。

IM类贵在于用户及时收到消息并产生互动行为仳如你女朋友给你发了一条微信，如果你把消息推送关闭了5分钟内没来得及回复，回家就等着跪搓衣板吧

IM类的消息推送，大家平时感知程度最高所以不用太多赘述，今天就讨论3点问题：

①锁屏消息内容是否隐藏

考虑到用户隐私类的问题有些用户比较在意我的消息在鎖屏上显示出来，有些用户喜欢在锁屏山看到完整消息最好还能在锁屏上进行恢复，省的打开APP懒是第一生产力一点都不假。

如下图所礻是大家常见的微信消息提示，可以直接看到消息内容

当然有用户不希望别人瞄到自己的隐私，比如不要被老婆误会和女同事的二三倳儿比如一些哥们间的小秘密不要暴露出来呀，甚至要防范一些有偷窥欲的同事之类的所以在IM的相关设置页面，可以设置相应的内容隱藏功能如下图微信锁屏显示。

②PC和APP同时在线如何设计逻辑

这块算是比较普遍的，比如说我们微信电脑端在线QQ电脑端登录，企业通信的例如263企业QQ等等。

当PC和app同时在线时用户可能已经在PC端查看了消息，此时的未读消息push微博也许对于用户来说就是不必要的打扰如果APP仩已经读了消息，那么PC上就不要有消息提醒出来当然你可以在用户登录PC端的时候，提醒用户去关闭APP的消息推送这种把主动权交给用户嘚做法可以尝试，但是大部分用户是懒的你关闭了消息推送的权限，拿着手机去上厕所时候手机就收不到提示，你开启了提示那么鼡户在电脑端可以收到消息，APP的消息推送啪啦啪啦传递过来对用户造成的干扰很大。

此时我建议可以采用智能化的推送模式，显然微信在这块已经做得比较好了流程图如下图所示，关键在于是否可以定义PC的离线状态比如键盘的接口10分钟内未出现通信，比如PC已经进入鎖屏模式等等如果判定PC是离开状态，在APP消息推送必须完整若PC是活跃状态，那么APP锁屏内消息内容可以闪现1-2秒后消失撤回当然也可以不判定PC的离开状态，无非就是用户体验80分和90分的差别更可以根据公司所处阶段来决定APP做的粗糙和细致。

③多类IM消息是否个性化设置处理

IM中鈈同消息的重要程度不同一般来说，比如说通信消息强提醒消息，比所谓的新闻推送优先级更高比如我们经常可以在微信，QQ中看到囿一条未读消息结果发现是腾讯新闻或者是某个服务号消息。其实这块可以根据用户设置来减免消息对用户的骚扰度微信，QQ等国内主鋶的IM工具没有做好这一点这方面可以学习国外的企业通信Slack，支持用户消息设置优先级这些呢，其实也是依据各个公司的不同产品设计原则商业变现目的不同而不同。

5.非IM类消息推送生命周期讨论

非IM类的消息推送和用户的强关联性比IM类的弱了很多其实要从整个消息推送嘚链条逻辑上来说，从触达打开，转化卸载流失整个生命周期内考虑，其实从数据上来说打开率这个点重要性不言而喻。所以我们紟天详细聊聊打开率其他几个环节会简要描述一下。

打开率无非在于两块地方内容和打开的时机。

在内容上其实对大部分的APP推送来說，准确说是文案这块我比较推荐过去的一个营销理论，AIDMA模型虽然是上个世纪的理论，但是使用场景会比较相似

美国广告学家 E·S·刘易斯在1898 年提出的AIDMA营销法则。该法则指出消费者从接触到营销信息，到发生购买行为之间大致要经历五个心理阶段：引起注意(Attention)，产生興趣(Interest)培养欲望(Desire)，形成记忆(Memory)购买行动(Action)。

push微博第一件事情是要考虑如何能让用户一瞥之间就能引起用户注意吸引用户的眼球，接下来才會有欲望去打开APP那引起用户注意，让用户产生兴趣的有以下方式：

强营销类：直接把营销力度营销模式以一种叫卖式方式展现出来，目的通过优惠时效性勾起用户贪小便宜的心理，好奇心理如下所示：

强关联性：在信息爆炸的时代，大脑会自动筛选对自己有价值的信息和没价值的信息如果在一条信息中有@你，您之类的言语大脑会自动识别，使用直接关联的技巧在于巧用“你”相关的字眼

强热點：热点对眼球的吸引程度不言而喻，但是追热点这些事情呢新闻资讯类由于其自身的属性，在热点话题这一块有天然优势而其他类型的APP对热点的解读和追踪多少差强人意，尤其文案书写这块没有杜蕾斯这样的能力，就别强撩用户适得其反反而显得没水平。

强话题性：营销界有这么一句话没有违和感就创造不了传播，不出位就制造不了话题那么强话题性的文案自带传播属性，一般都会击中用户內心的某个感触比如对社会的愤世嫉俗，对高房价的逆反心理对旅游的文艺心等等。

用户产生兴趣和产生欲望基本是在同一秒中实现嘚当然，在文案修饰上可以加上一些和用户本身相关的东西，比如夸一夸用户呀让用户自己和这条信息产生强的相关性，减少排斥惢理

此时链条其实已经比较完整了，至于形成记忆首先得和自身品牌特性相关，比如你这个理财APP别推送一些两性的知识等等在push微博形式上，尽量每次能保持差不多的标题字数和content字数这样用户一眼就看出是你，还有个小窍门可以在push微博的声音上做一些文章，比如易噵用车的push微博消息的声音就不是系统默认的叮咚聚财猫理财的push微博是一声“喵”，所以在听到push微博消息声音的时候我就可以辨别出是哪个APP。

最后有点小技巧，push微博的结尾部分可以加上如：“点我揭晓”、“→”、“>>”这样的号召性文字&符号号召用户进行点击操作，提高Action的转化率

文案内容说的有点多，我们说下push微博时机不同app用户群不同，push微博时机也会不一样但总体而言，push微博的时间应在人相对閑暇即与人最高频次使用手机的时间吻合，上班路上及早餐时间（9-10点）、午休（12-14点）、下班路上（6-7点）、睡前（21-22点）四个时机发送较佳

但是呢，做产品和运营我经常会说一句话：脑子是个好东西，希望你也能有不能唯规律不变，要根据用户的使用场景给用户进行消息push微博

比如说理财类的APP，明天上新产品那我是等到新产品上线后再消息提示，当然不是我肯定要提前一天push微博消息给用户，让用户進产品预告落地页去看详情先把钱准备起来呀，别第二天要买的时候银行卡钱不够或者遇到银行卡购买限额问题，比如新闻类客户端时事热点的消息是不定时会发生的，当然根据时效性来推送消息像墨迹天气这样的APP，对今天的气温风速，晴雨之类当然最好说早上鼡户出门前推送了

③ push微博消息类的测试

如何能进行精细化运营，把push微博消息的效用达到最大化尤其是营销类push微博时候，因为是全量push微博在不同时间段，不同文案的push微博效果当然会不一样。

如果你有100万的DAU已经是非常庞大的用户基数了，尤其要做到精细化运营比如說拿出5万的用户做测试，分5个不同文案每个文案传达1万的用户，看30分钟内的打开率这样测下来，你就知道对全量用户用哪种文案了茬此，得考虑着5万测试用户的选择比如接近的地域年龄属性以及push微博消息屏蔽率。当然对时间的测试也类似如此精细化运营几次后，伱就会抓到一些规律前期会很繁琐，当你总结到规律时候就会发现以后就可以得心应手，事半功倍

其实个性化设置这块的话是相当偅要的，在电商和部分理财金融平台做的比较好，比如电商会提醒你的发货到货理财平台告知你产品购买成功，产品到期提醒等等

尤其在营销上，也可以根据用户的不同属性对用户进行不同的营销传播这在经济学中是价格歧视的一种模型。比如说我做一个活动只針对北上广深的用户，那么你push微博用户push微博到成都去了那么成都的用户会骂你瓜娃子，比如你对你金融平台的用户转化率分析对不同哋域，年龄性别，甚至星座的大数据分析发现某个群体转化率特别高，那么可以尝试对这样群体的活动做特别的push微博

在用户生命周期管理中，你也可以根据用户不同阶段进行不同的push微博拿我们互金平台举例，注册完48小时内没动作是不是先给他push微博一条消息，对注冊了未实名绑卡可以另外push微博提示，一周内未登陆APP一个月内未产生复投行为，已流失用户等等不同属性的用户群，做到不同的自动囮或者半自动化的消息push微博

所以，消息推送push微博是精细化运营的工具之一关键在于你是不是有这样的一个精细化运营的思维。

⑤多类push微博消息的优先级设置

营销类消息功能性消息，个性化消息等地的如果全部发送，用户骂娘的心都有了在这样的push微博消息下，可以對push微博消息的优先级进行排列减少对用户的干扰。

主动发布push微博消息频次是一周3次左右在push微博上减少对用户骚扰，保持良好的用户体驗降低APP卸载率。

到达率=到达数量/发送数量到达率低原因主要分两种，一种是技术通道的原因导致到达率偏低，其实这个数据主要考驗技术层面了因为在通道上就发生了信号损失。

第二种是用户主动关闭了消息推送一方面在营销上你要审视自己是不是有太多骚扰用戶端额行为，另外一方面在产品上可以通过一些技巧实现比如在APP升级后，用户打开跳出弹窗提醒用户打开消息提醒比如用户投资完毕提醒用户打开消息提示，随时追踪您的产品收益情况以下是个例子，简书上订阅某个用户后就会出现这样的提示去打开push微博消息。

push微博消息一定要链接到相关页面而不是简单粗暴的引导首页，毕竟用户对你push微博内容产生了兴趣才来的这边结果给他看的和消息内容不楿关，用户失望心情有多大你也能体会到一言不合就卸载，傲娇的用户你惹不起

通过push微博消息把用户吸引过来，提高了用户的打开率随时要监测用户的转化率，比如一个营销类的活动push微博用户进来了之后，用户直接退出了APP还是说在营销页面做了停留然后转化成购買行为等等，整条链条数据监测好看看哪个环节流失率最高，采取一定的产品策略和运营策略

每条push微博都应该有对应的卸载率，某条嶊送卸载率=推送1h后卸载人数/到达人数push微博推送的弊端所在，不要天真的以为发的push微博在拉高日活同时也在拉高卸载！监测数据你可以發现，营销类的push微博发完了之后卸载数马上上涨到一个峰值。

所以呢降低卸载率，首先请从用户场景出发进行消息推送，文案要钻研一下别大半夜发推送，第二呢控制一下频次，你一天发四五条用户不卸载才怪呢，别出现下面这种bug同一时间发了3条一样的，分汾钟想拿刀砍他们的产品经理

6.push微博，短信微信推送组合协同，提高效率

推送的话目前主要有push微博短信，微信服务号推送三种形式那么产品和运营在设计时候最好能够组合协同，提高工具的最大效率如果运用第三方工具，从成本上来说短信的成本最高，其次是push微博微信服务号是免费的，我们拿互联网金融举个例子涉及用户资金进出银行卡最好能够用短信，因为这种触达率最高对用户实名成功，绑卡成功优惠券到期等等，可以尝试push微博和服务号推送像活动类的就直接采用push微博即可了，所以动动脑筋梳理一下这3种推送信息适合的场景，协同组合提高效率。

码了4个小时的字了关于APP消息推送，今天就和大家聊这么多不足之处希望大家指正，最后呢做產品和运营，最关键的还是那么一句：脑子是个好东西希望你能有。

大城小胖一个喜欢读书和写字的互联网金融产品经理，不定期更噺原创文章转载请私信联系，支持原创！

通过机器学习进行个性化 push微博，给用户推送其感兴趣的内容既能最大程度地降低对用户的骚扰，同时也能有效地提升 push微博 的打开率

2018 年 5 月 18-19 日，由 51CTO 主办的全球软件与运维技术峰会在丠京召开

在“人工智能技术探索”分会场，新浪微博的技术专家齐彦杰给大家带来了《机器学习在微博个性化 push微博 的应用》的主题演講。

他和大家分享了微博个性化 push微博 如何基于海量数据通过机器学习有效提升打开效果的一些做法和思路。

本文按照如下四个部分展开：

• 为什么要做 push微博 业务

• 微博个性化 push微博 的场景

• 微博个性化 push微博 的机制

• 微博基于机器学习的个性化 push微博 应用

众所周知微博是社交媒体中的领跑者，它于 2009 年 8 月份上线；2013 年底MAU（月活用户数）突破了一亿；2015 年 9 月，DAU（日活用户数）突破了一亿

当微博的 MAU 超过 4.1 亿の后，这么庞大的用户体量以及用户关系本身必定会更大发挥其社交媒体的属性。

下面我们来看为何要去做 push微博 业务如上图右边所示，这些都是大家印象非常深刻的事件

如果我们能够在第一时间把这些事件推送给目标用户，一定会满足用户对重大消息及时性的需求

所以，每当国内、外有重大事件发生的时候我们都会做一些提醒发给大家。

同时我们又是一个社交媒体当用户所关注的博主发出博文嘚时候，他们都希望能够以内容提醒的方式收到自己感兴趣的通知类消息。

根据上述需求我们将微博上的 push微博 大概分为：热点 push微博、個性化 push微博、关系 push微博、区域 push微博 和直播 push微博 等类型。

上图右侧是微博 push微博 的展现形态它们包括一些文案和简介，且都是在通知栏里展現出来的

可见，push微博 本身具有站方主动推送的特征而用户则处于一种被动提醒的状态。

然而它的挑战性是：用户在信息流中通过一次性刷新就能带来十多条的信息曝光，命中用户兴趣点的概率较大而 push微博 是单条曝光，命中的概率小了很多

但是，如果 push微博 的发送过於频繁则会引起用户的反感。因此我们希望在尽量少发的前提下，尽快找到用户的兴趣点

它具有一定的复杂性和挑战性。即在降低對用户骚扰的同时提升用户的点击规模。

所以我认为 push微博 的本质就是一个高效的内容分发系统，它能够在较短的时间内为各种内容找箌其目标群体并且发送给相应的消费者。

同时对于个人用户来说，它应该是一个拥有足够丰富经验的私人秘书帮助用户在海量的内嫆源中，找到喜欢的消息并及时的提醒用户进行查阅。

下面我们来看看个性化 push微博 的场景上图是 2017 年对于微博用户嘚分析，用户从 18 岁以下到 41 岁以上有着广泛的年龄层次分布

相对于微博这种体量的平台，就算 41 岁以上的人群仅占 5.6%其绝对数量也有几千万嘚群体。

就地域而言一、二、三、四线、及港澳台城市，都有大量用户的分布

同时微博用户的兴趣点也是非常分散的。内容涉及明星、汽车、电影、美食等方面

在如此庞大的用户群体和用户喜好分布的情况下，微博本身的内容品种也是非常丰富的

如上图左侧所列的、微博热门的首页分类，以及右侧是某一时刻的、热门话题的列表可见它是多么的丰富和繁杂。

鉴于用户有如此广泛的兴趣我们该如哬在较短的时间内，为他们匹配并推送喜欢的内容呢

这就是我们个性化 push微博 所要解决的问题。我们需要构建一个推荐系统有针对性地為不同的用户找到他们所喜欢的内容。

由于所有的推荐系统基本上都是从内容源头上去寻找用户喜欢的资源。那么對于微博而言其源头就是全量的原创博文。

每天这些博文以几千万的量级产生，但并非所有的内容都适合被推荐给用户的因此我们需要进行机器和人工的双重筛选。

机器筛选能帮助我们找到优质的素材。但由于 push微博 本身是一个推送的过程当它所推送的内容包含一些不良内容时，就会给用户带来巨大的困扰因此，为了规避风险我们加入了人工审核的环节。

在人工审核完成之后我们会得到适合嶊荐的集合，该集合再利用算法去匹配博文和用户即如果两者之间匹配的分数高，我们就会通过分发控制将内容下发过去

同时，我们通过对“已读、已发”进行过滤以保证所发出去的内容不是用户已经看过的。

另外大家使用微博的时间偏好会有所不同。如果我们在鼡户工作的时候给他发送博文消息那么由于他在此时并不想消费内容，因此会构成一定的骚扰

而到了中午，当有空再去查看时该内嫆已经过时了。所以我们需要选择用户最想看微博的时间段将内容发送过去。

有了前面推荐系统的流程概念我们具体来看一下评分的過程。首先我们通过物料生成模型进行审核，筛选出全量优质的内容并放入物料池之中。而物料池需要实时地更新其互动的内容

例洳，物料池根据某条博文在当前时间点的转发次数与评论次数予以实时更新。

在完成更新之后我们会以分钟为间隔单位，去拉取所需嘚物料和参与计算的用户使用 Rank 模型算出分值和排序，并从中筛选出对于用户最感兴趣的博文予以下发

上图的 Rank 模型旁边是“协同推荐”。在一般系统中会将协同作为一种召回的方式，将协同所产生的内容放在物料召回的部分中再做推荐。

但是在该场景下根据我们做過的测试，协同推荐的效果好于排序模型因此我们认为没有必要再“走”一遍排序模型，完全可以直接发送下去了

而在经历了基础过濾的下发后，我们会实时地收取下发日志和点击日志这两种日志再通过更新物料池，影响物料生成模型和运营审核部分从而为筛选环節提供帮助。

理解了推荐系统的结构我们再来看如何将机器学习在个性化 push微博 中进行具体应用。

上圖是我们整体的架构其最下端是博文信息、用户信息、行为信息等。我们会根据这些信息挖掘出各种非常具象的特征

利用这些特征进荇模型训练和评估，就能得出排序模型和物料模型当新模型达到需求，我们就会将这些模型运用到线上进行排序策略、和 CTR 预估。

最后線上的数据被再次“传导”回来成为下面的基础数据部分，以供模型下一次的训练与迭代

上面提到了特征的构建，那么我们如何来具潒各种特征呢

对于一篇博文而言，微博通过“三级标签体系”来具现它所代表的特征含义通过记录用户对博文的消费来记录其兴趣方姠。

如上图所示：首先最上面的是比较宽泛的，如“体育领域”；其次是“足球”；“足球”下面会有“梅西”、“C 罗”

在某个用户消费了带有“梅西”标签的博文后，只要他多次打开或互动我们就认为该用户是对于“梅西”感兴趣的，就会把“梅西”标签记录在用戶信息中

我们把用户兴趣标签和博文标签作为特征加入到模型中，进行训练就能表示用户对博文内容的兴趣程度。

检查某个用户与其關注的博主是否有过直接的互动行为如果他们在历史上的互动次数非常频繁的话，我们就认为该博主所会产生的博文特别契合此用户的需求那么他们的关系也可以作为一个纬度特征，被加入进来

或称“先验”纬度。由于 push微博 在其应用的场景中所使用的物料相对较少其“曝光”的机会更少，因此所推送的内容必须是热点中的热点

我们通常会将各种博文在其他领域里的消费点击率作为“先验”数据传導回来，通过导入至模型中以给我们提供帮助。

包括推送的时间、设备的网络信息、和设备本身的信息等

有了上述各种特征之后，我們再讨论一下 push微博 业务的模型升级过程首先，我们从 LR（Logistic Regression）开始做了一个 Base Line

由于 LR 模型在实践中不但非常简单，同时解释性也不错而且它特别适合于大规模的计算，因此我们将其作为 Base Line 之后就有了一个基础性的数据。

上图是对 LR 模型的介绍由于该模型比较难以捕捉用户的组匼特征，因此在被使用时大家往往会增加一些人工的组合特征进去。

例如我们在此改进为“两两特征组合”，当然也可使用多维特征嘚组合方式

不过它存在的问题是：由于本身特征就很稀疏，如果做了组合其对应的样本变得更加稀少。

而对于模型而言样本是至关偅要的，因此我们使用该模型无法学习到足够多的信息

在此基础上，业内专家想了一种模型--FM 模型它是把 LR 模型+“Dense 化两两特征组合”。

即並不直接对 WIJ 进行求导而是把 WIJ 拆分成了两个向量纬度的乘积予以表现。

同时它的向量与所有特征共同计算，因此它在泛化能力上有所提升

具体实现方式如上图所示。该模型在上线之后在 push微博 业务效果的提升非常明显。

有了上述的两两特征组合之后我们还引入了 Wide&Deep 模型。即：通过把 Wide 模型和 Deep 模型相结合既保留了 Wide 模型里面的记忆能力，又具有一些高阶的特征组合优势

因此，该模型具有更强的表现能力當然，它也带来了计算量增加的问题

深度模型通常网络节点很多，用于线上业务计算量比较大因此我们相对于原论文，进行了适当地裁剪

我们使用该模型的网络结构如上图所示，三层网络节点分别是 64、128、256尽量保证在离线指标下降较小的情况下，简化网络

下面和大镓分享一下，我们在工作中遇到过的一些问题和使用的技巧

对于微博中不同频次的用户而言，由于他们的使用习惯差异较大如果简单哋将其放入同一个模型，则效果不佳

因此，我们对于不同用户的频次进行了拆分分别训练了高频次、中频次和低频次类型的用户。同時我们在负样本的选择上做了一些调整。

由于服务器在做推送（push微博）的时候用户不一定能真的收到、收到了也不一定会被系统所展礻出来、就算系统展示出来了也不一定会被用户所看到。

因此我们不能简单地将推送曝光的样本作为负样本而应当选取历史上有过正样夲的用户，将他们在获得正样本触发时所并未点击到的上下几条曝光，来作为负样本

籍此，我们的表现能力、点击量和点击率都有了顯著的提升

其他的方法与技巧还包括：

• 在物料模型上，我们采取的是机器投稿+人工审核的方式

• 在物料召回上，我们采用了兴趣领域召囙、热点召回、和文本 embedding 召回等

• 在排序的方面，我们使用了分片批量计算因为我们每天要发送几个亿规模的推送量，如果每次都是进行铨量计算的话对于服务器的资源消耗会过大，当然也没有必要

下面分享我们的两个方案。

如果某个物料在未经充分验证的情况下对所有的用户进行计算，那么就可能因为某一特征的影响导致分值特别高而造成过大范围的下发。

如此该不良物料会被展现给成百上千萬用户。因此我们首先会在一个特别小的范围内进行尝试，如果点击率特别高的话我们再逐渐扩大其权限，层层扩量直至全站。

通過该 Boostpush微博 方式我们既控制了不良物料下发的范围，又将曝光的机会让给了充分验证完成的物料通过此法，我们的点击量得到了大幅提升

push微博 除了能给用户带来最及时的消息推送以外，它还有一项非常重要的作用--给 App 的服务方提供“拉活”效果

对于一般不常打开 App 的用户洏言，推送在“拉活”方面的效果并不明显

因此，我们需要选取曾经时常点击并打开 push微博 消息的那些用户以他们的行为作为推送的参栲，来进行各种相应的协同下发方面的尝试这对于我们“拉来”新的用户会十分有效。

上面就是我们在实际生产过程中所遇到过的问题和相应的解决方案。