推特（Twitter）的推荐算法

Twitter 的推荐算法是一组服务和作业，负责在所有 Twitter 产品表面（例如，为您时间线、搜索、探索）提供推文和其他内容的提要。有关算法工作原理的介绍，请参阅我们的工程博客。

建筑学

Twitter 的产品界面建立在一组共享的数据、模型和软件框架之上。下面列出了此存储库中包含的共享组件：

类型	成分	描述
数据	统一用户操作	Twitter 上的实时用户操作流。
	用户信号服务	用于检索显式（例如喜欢、回复）和隐式（例如个人资料访问、推文点击）用户信号的集中式平台。
模型	模拟集群	社区检测和稀疏嵌入这些社区。
	双核	用户和推文的密集知识图嵌入。
	信任和安全模型	用于检测 NSFW 或滥用内容的模型。
	实图	预测 Twitter 用户与另一个用户交互的可能性的模型。
	推特	用于计算 Twitter 用户信誉的 Page-Rank 算法。
	recos-注射器	流式事件处理器，用于为基于GraphJet的服务构建输入流。
	图特征服务	为一对定向用户提供图形特征（例如，有多少用户 A 的关注点赞了用户 B 的推文）。
	主题社会证明	标识与各个推文相关的主题。
	代表记分员	使用嵌入相似性计算实体对（用户、推文等）之间的分数。
软件架构	导航	用 Rust 编写的高性能机器学习模型服务。
	产品混合器	用于构建内容提要的软件框架。
	时间线聚合框架	用于批量或实时生成聚合特征的框架。
	代表经理	检索嵌入的服务（即 SimClusers 和 TwHIN）。
	twml	基于 TensorFlow v1 构建的旧版机器学习框架。

下面列出了此存储库中包含的 For You Timeline 的核心组件：

类型	成分	描述
候选来源	搜索索引	查找网络内推文并对其进行排名。约 50% 的推文来自此候选来源。
	混音器	用于从底层计算服务中获取网络外推文候选者的协调层。
	用户推文实体图(UTEG)	在内存中维护一个用户到推文的交互图，并根据该图的遍历找到候选者。这是建立在GraphJet框架之上的。其他几个基于 GraphJet 的功能和候选源位于此处。
	遵循推荐服务(FRS)	为用户提供要关注的帐户的建议，以及来自这些帐户的推文。
排行	光级	搜索索引 (Earlybird) 使用的 Light Ranker 模型对推文进行排名。
	重级	用于对候选推文进行排名的神经网络。用于选择时间轴推文的主要信号之一。
推文混合和过滤	家用调音台	用于构建和服务主页时间线的主要服务。建立在产品混合器上。
	可见性过滤器	负责过滤 Twitter 内容以支持法律合规性、提高产品质量、增加用户信任度、通过使用硬过滤、可见产品处理和粗粒度降级来保护收入。
	时间线排序器	旧版服务，它提供来自 Earlybird 搜索索引和 UTEG 服务的相关性评分推文。

我们包括大多数组件的 Bazel BUILD 文件，但不包括顶级 BUILD 或 WORKSPACE 文件。我们计划在未来添加更完整的构建和测试系统。

马斯克履行诺言， Twitter 推荐算法开源了，该开源项目涵盖了推荐算法在内的许多推特源代码，包括用来控制用户在 For You 时间线上看到的推文的机制。

推特的推荐算法是一组服务和作业，负责构建和服务主页时间线。