接下来重点介绍下我们投放系统的整体解决方案：
- 最左边是我们运营管理平台，包括业务方管理、任务管理以及渠道管理。
- 中间是我们核心的投放后台服务部分，包括三个大的模块：排序、重排、用户体验。其中排序有多个算法的迭代过程，而重排主要是基于内容反馈和任务进度的一些调控机制，用户体验则包括离线投放用户画像和实时的任务退出机制。
- 最右边是我们用户侧的一些点位。
接下来重点介绍下中间这部分的实现方案。
4.2 排序模块
首先是我们排序模块的最初版算法，基于用户画像和内容属性标签的匹配，主要是应用在有预设保量投放量的场景，使用余弦相似以及xgboost进行用户的内容的匹配和排序。
另外一个场景则是对批量内容没有保量要求，但需要测试那些内容更优质的场景，这种则采用右边这种分级分发的模式，前提也是用户和内容的流派标签完全匹配，在投放的过程中再根据实时反馈来决定是否需要给予更多的流量。
以上两种都是相对简单的投放逻辑，在项目初期投放的内容质量有一定保证的情况下，对用户体验的干扰也很小，但随着后续参差不齐的投放内容引入，我们也升级了投放匹配模型。
也就是我们现在的AE和DeepFM模型，这里AE是指audio embedding。在之前用户和内容的流派、语种、歌手等基础之上，新引入了音频本身的向量表征，用户侧的AE则用用户近期收藏或完播的歌曲的AE的均值来表征。
用户和内容的特征经过特征拼接后，输入到DeepFM的Dense Embedding层，分别通过FM部分进行特征交叉、DNN部分进行high-order的特征抽取，最终线上效果相比xgb在完播率和投放量上都有显著的提升。
以上就是排序模型部分的主要方案。
4.3 重排模块
接下来是我们的重排模块。投放这里的重排主要背景是，如果只按照排序模型来决定投放，会有很多任务投放进度比较滞后的问题。所以重排这里，主要会考虑任务进度、任务优先级以及实时效果来进行排序的调整，从而最终决定投放的内容。
重排的分数是如右边这个公式来计算，其中主要的指标有以下几个，除了模型预测分之外，还有任务的流派倾斜因子、任务的投放进度和时间进度等。
4.4 用户体验模块
最后是我们在投放用户体验上的一些努力和探索。
首先是离线的投放用户画像，将用户对投放内容的完播收藏等数据，和非投放的推荐完播收藏数据，刻画用户对投放内容的接受程度，将接受程度高的称为探索型用户，接受程度低的称为保守型用户，然后对这两类用户分别做多投或少投的策略，下面表格是我们这个策略线上实验的一些效果。
另外一方面，我们在任务投放的过程中，还会做实时反馈的评估，对于反馈较差的内容给予警告和退出的逻辑。集体而言，是在一个基础时间和投放量保量的基础上，判断实时反馈是否低于平均效果超过一个阈值，超过之后任务就直接终止退出了。
以上就是我们整体内容精细化运营的解决方案了，最后做一个总结和展望。
05. 总结和展望
总结一下，以上解决方案的主要收益包括：
- 内容价值评估的新热内容和潜力挖掘的优质内容接入推荐准入池，使得准入池歌曲数量提升10%；作为排序模型的物品特征，人均时长提升10%，完播率提升超过20%
- 通过内容中台参数倾斜和投放运营，重点扶持内容播放占比提升超过47%
- 内容投放系统的运营内容接入重排通路，投放内容的平均完播率高于点位的平均完播率
此外，我们也在探索一些其他场景和应用，比如我们的“下一首心动”AI歌单，以及银河计划中音乐人优质作品甄选和宣发推广等。
展望未来，我们正在进行中和规划中的工作主要包括：
- 内容理解：进一步完善内容评估体系，尝试更多的潜力内容挖掘算法，助力更多优质内容的发掘；
- 内容中台：基于Flink实践在线学习、强化学习以及多目标分发；
- 内容投放：结合用户行为的音频内容理解优化，实时look-alike算法等；
- 应用推广：更多可控流量场景&更多业务平台。
06. Q&A
Q1：如何定义保守型和探索型用户？
A1：我们这里的保守型和探索型用户主要针对投放场景进行用户画像刻画的，因为投放场景有很多新冷内容，这些新冷内容我们很难学习到他们的序列embedding特征，但是通过我们的投放系统给到用户，是能购获取到用户对这些新冷内容的偏好度的，这样我们就可以训练和预测用户对新冷内容的偏好度了，偏好度高的就是我们的探索型用户，偏好度低的是保守型用户，
Q2：内容扶持占比达到了50%，那如何保证不影响用户体验指标的？
A2：这里的提升是相对的提升，相比于之前提升接近50%，并且是在不影响用户体验指标的前提下做到的，而不是说提升到占推荐整体流量的50%，相对的提升是比如说从之前的占10%提升到占15%这样的，所以用户体验指标是可以做到不损失的，我们是通过ab实验来看这两部分指标进而决定策略是否可以全量。
Q3：新歌曲和新歌单是如何来做价值评估的？
A3：这里主要是通过潜力内容挖掘的方法去预测的。因为我们有很多上架时间比较久的内容，他们有丰富的用户互动数据，有真实的完播率、收藏率以及热度等信息，这些内容的数据是我们完全基于内容本身挖掘内容质量或热度的学习样本，通过这些样本学习到的模型，应用与新内容的预测上。
Q4：内容挖掘里怎么样圈定种子用户的？
A4：这个问题很好。我们有简要提到过，种子用户主要是从我们平台的核心用户，包括优质歌单的创作者，以及对热门歌曲有前瞻性或热衷于“火钳刘明”的，在热门歌曲还没有火爆之前就主动去发掘优质冷门歌曲的用户，这些作为我们基于规则圈定的原始种子用户。在此基础之上，我们还会去根据当前场景，构造一些用户特征，并通过lookalike的方式去扩充种子用户的范围。
Q5：内容倾斜的参数怎么定？线性组合的权重怎么定？
A5：这个问题也很好。其实在参数服务做倾斜的时候，例如腾讯音乐人扶持的那个案例，我们首先是一个人工经验给定的一个系数，然后在线上实验时根据实时效果去动态调整的，实时效果好的会给予更大的倾斜分数。另外一个问题，线性组合的权重方面，主要是基于内容评估原子指标的数据分布和统计指标，如均值、方差等数据，给定一个初始的权重系数，并且会引入一些人工经验，比如对完播会给予相对更大的权重，因为它的数据相对不那么稀疏；在此基础上，我们还会通过一些线上ab实验来寻参。
Q6：能举例介绍下一个音乐的生命周期吗？比如新音乐冷启动、如何进入精选池、后面平稳期、淘汰期、再漏出之类的？
A6：随着短视频平台的兴起，其实音乐内容的生命周期是在逐渐缩短的。对于我们平台内部，对内容冷启，我们主要是通过一些潜力内容挖掘和评估的方法，将预测的优质新内容通过内容池给到推荐的召回，并在排序阶段加入一些倾斜，达到对新内容冷启的加速。但是当冷启完成之后，后面的平稳、淘汰期我们就不再做过多干预了，它就自凭本事了。
Q7：内容label用flink聚合的等待窗口多大，比如有些长视频的完播时间比较长，如何权衡不同label流水的时间窗口？
A7：首先这里播放流水是播放完成或者说切歌的时候才会上报的，所以这里不存在等待的问题。然后对于长音频内容，我们是需要单独去做评估的，在长音频内容内部做实时评估和排序的。
Q8：推荐系统和投放系统流量是如何结合的呢，比如一个Q音内容页面，哪些内容是推荐的，哪些是投放的？是与广告相关的内容都走投放系统吗，还是说投放系统都是负责分发冷启内容？
A8：我们的投放内容和推荐内容是动态排序的，投放内容与推荐内容最后会做再一次综合的重排。我们这里说的投放系统主要是音乐内容的投放，不含广告内容，然后我们的内容投放不只是对新冷内容的，也有大约20%的非新冷内容，这些主要是我们需要大力宣推的，希望能触达更多用户。
