如今短视频产品深受的用户喜爱，短视频推荐系统也面临多种演变路径和多种发展可能，这次演讲主要讨论好看视频的推荐的特点以及推荐系统目标设计和优化过程中收益归因的评估等问题。

演讲提纲：

1. 视频推荐系统的特色
2. 推荐系统的多目标设计
3. 短视频推荐长期留存目标建模
   • 留存建模的思考
   • 基于强化学习的长期价值的建模
4. 推荐策略收益归因评估方法论和留存归因分析
   • 推荐策略迭代的评估问题
   • 反事实分析指导策略迭代

你将获得：

1. 了解短视频的推荐目标的设计思路和实战经验
2. 了解策略迭代归因方法的尝试、以及强化学习在推荐系统重的应用

作为一个拥有千万级曲库和亿级月活的流媒体音乐平台，QQ音乐的用户每天在平台上产出海量的播放行为。如何有效利用这些流量，快速支持平台重点内容，比如新歌的精准宣发，是一个非常艰巨的任务。若单纯依赖已有的推荐系统，会面临新内容的冷启动、投放量级不可控等难题；若依赖人工运营，则人力成本高且无法保障一以贯之的用户体验。

因此，本项目以内容宣发为核心，通过创新技术和数据驱动的模式打造一体化的精准投放系统，赋能平台宣发，扶持内容生态，助力潜力歌曲挖掘等。具体的，在以下两方面分别实现：

1. 大数据+AI音频科技打破原投放模型的天花板，先进的多模态学习技术攻克新歌冷启动分发的业界难题，为新歌找到最合适的宣发渠道；
2. 以客观数据为依归，完善了实时评估与退出机制等模型，使投放歌曲在相应点位的播放量与完播率得到双重提升，保障了用户体验与平台宣发目标的双重收益。

演讲提纲：

1. 问题背景
2. 系统演变历史
3. 算法模型和实验
4. 系统功能和优化
5. 业务落地效果
6. 未来改进方向

你将获得：了解最前沿的歌曲冷启动投放系统和相关创新算法

随着机器学习在互联网业务上成熟和不断落地，机器学习平台也从之前的野蛮生长走向了精细化运营。

本次分享主要围绕着在滴滴的场景下，如何在各种细分 AI 场景下提供灵活的实验设施，也要提供生产级别的交付能力，同时兼顾效率，利用率及整体成本。

演讲提纲：

1. 滴滴机器学习平台整体架构
   • 业务背景及架构演进
2. 如何评价降本增效
3. 如何降本
   • 实验GPU显存超卖
   • 离线GPU混部+弹性
   • 在线GPU混部+计算隔离
4. 如何增效
   • AI流程化
   • 提高复用率
5. 降本增效的实践效果

你将获得：

了解滴滴这种规模的互联网场景下，通用的机器学习平台如何针对内部业务及变化，利用底层技术兼顾业务需求的前提下完成降本增效的目标，及走过的弯路。