图文解读：推荐算法架构——精排！

2022-03-16 11:40:42 浏览数 (1)

导语 | 精排是整个推荐算法中比较重要的一个模块，目前基本都是基于模型来实现，主要涉及样本、特征、模型三部分。本文将对其进行详细阐述，希望为更多的开发者提供经验和帮助。

一、整体架构

精排是整个推荐算法中比较重要的一个模块，目前基本都是基于模型来实现，涉及样本、特征、模型三部分。

二、样本

样本是模型的粮食，以CTR任务为例，一般用曝光点击作为正样本，曝光未点击作为负样本。样本方面主要问题有：

  • 正负样本不均衡：比如CTR任务，如果点击率是5%，则正负样本1: 20，负样本远远多于正样本，导致样本不均衡。分类问题中样本不均衡，会导致模型整体偏向样本多的那个类别，导致其他类别不准确。解决方法主要有：
  • 负采样：对负样本进行采样，可以直接采用随机负采样。一方面可以减少样本存储和模型训练的压力，另一方面可以缓解正负样本不均衡问题。但负样本其实也有很多信息的，直接丢弃实在可惜，特别是小场景样本不足的时候。
  • focal loss：何凯明老师在图像多分类样本不均衡中采用的方法，也可以使用到推荐场景中。通过减少负样本（易分类）在loss中的权重，使得模型更加专注于正样本（样本少，难分类）
  • 不同活跃度用户样本不均衡：中长尾用户样本少，高频用户样本多，最终模型容易偏向高频用户，从而在中长尾用户上预估越来越不准确。针对这一问题，可以对高频用户进行降采样，也可以对所有用户均采用相同的样本数（youtube做法）
  • 样本置信度问题：曝光点击可以认为置信度较高，但曝光未点击就一定表名用户不会点击，一定是负样本吗？目前有以下集中情形：
  • 用户完全没有正样本：用户如果只是为了签到，或者碰巧被push唤醒，抑或是随便点开了APP，完全没有正样本，全部是负样本。这个时候不点击只是用户此时意愿很差，跟你推的item是否符合他的兴趣关系不大。此时可以直接将该用户所有的负样本过滤掉。
  • 爬虫等非法流量：推荐工程侧直接拦截掉。
  • 点击与否可能也与用户需求是否已经得到满足有关系。美团采用了skip-above采样方式，对用户最后一个点击位置以下的负样本，直接丢弃。

三、特征

（一）主要有哪些特征

精排是特征的艺术，虽然特征工程远远没有深度模型那么fancy，但在实际业务中，基于特征工程优化，比基于模型更稳定可靠，且效果往往不比优化模型低。特征工程一定要结合业务理解，在具体业务场景上，想象自己就是一个实际用户，会有哪些特征对你是否点击、是否转化有比较大的影响。一般来说，可以枚举如下特征：

  • context特征：如星期、时间、网络类型、操作系统、客户端版本等。
  • user特征，也就是常说的用户画像，可以共享其他兄弟APP或者同一APP不同场景内的，用户各个维度的特征，主要包括三部分：
  • 静态特征：userid、性别、年龄、城市、职业、收入水平、是否大学生、是否结婚、是否有小孩、注册时间、是否vip、是否新用户等。静态特征一般区分度还是挺大的，比如不同性别、年龄的人，兴趣会差异很大。再比如是否有小孩，会直接决定母婴类目商品是否有兴趣。
  • 统计特征：比如user近30天、14天、7天的pv、vv、CTR、完播率、单vv时长等，最好同时包括绝对值和相对值。毕竟2次曝光1次点击，和200次曝光100次点击，CTR虽然相同，但其置信度天差地别。统计特征大多数都是后验特征，对模型predict帮助很大。统计特征一定要注意数据穿越问题，构造特征时千万不要把当天的统计数据也计算进去了。
  • 行为序列特征：这一块目前研究很火，也是精排模型提升的关键。可以构建用户短期点击序列和长期购买序列，也可以构建用户正反馈点击购买序列和负反馈曝光未点击序列。序列长度目前是一个痛点，序列过长时，Transformer等模型计算量可能很大，导致模型RT和P99等指标扛不住，出现大量超时。
  • item特征，这一块不像用户画像容易兄弟APP共享，不同APP可能itemid等重要特征不能对齐，导致无法领域迁移。主要有如下特征：
  • 静态特征：如itemid、作者id、类目id、上架时间、清晰度、物理时长、item tag等。这些特征一般由机器识别、人工打标、用户填写运营审核等方式产出，十分重要。
  • 统计特征：如item近14天、7天、3天的pv、vv、CTR、完播率、单vv时长等，最好同时包括绝对值和相对值。跟user侧统计特征一样，要注意数据穿越问题。
  • 交叉特征：item与user交叉特征，比如item在不同性别年龄用户上的统计特征。虽然模型可以实现自动特征交叉，但是否交叉得好就要另说了。手工构造关键的交叉特征，还是很有意义的。

（二）怎么处理特征

特征的处理主要有如下几种情况：

  • 离散值：直接embedding，注意高维稀疏id特征，比如itemid和userid的收敛问题。
  • 连续值：主要有两种方式：
  • 直接与其他embedding concat：操作简单，但泛化能力差。
  • 正样本等频分桶，再离散化：泛化能力较强，是目前通用的解决方案。
  • 多值特征：最典型的就是用户行为序列，主要方法有：
  • mean-pooling（youtube）、sum-pooling：将行为序列中item特征，逐个进行mean-pooling或者sum-pooling，比如youtube的论文。这个方法十分粗糙，完全没有考虑序列中不同item对当前的打分，以及行为的时序转化关系。
  • att-pooling：将行为序列中各item，与待打分target item，进行attention计算再平均，也就是加权平均，比如DIN。这个方法考虑了item的重要程度，也支持引入item的重要side info，通过引入item index，其实也可以带有一定的时序信息，可以作为序列建模的baseline。
  • 序列建模：将行为序列中各item，通过GRU等RNN模型，进行建模，取出最后一个位置的输出即可，比如DIEN。此方法考虑了用户行为的时序关系和兴趣迁移，目前基本都使用Transformer来进行时序建模，可以缓解反向传播梯度弥散、长序列建模能力差、串行耗时高等问题。

四、模型

（一）精排模型发展历程——线性模型

精排模型从线性时代，已经完全步入深度学习时代。线性时代主要有三大类：

  • CF协同过滤类：比如userCF、itemCF、MF等。
  • LR逻辑回归类：LR、FM、FFM、双线性FM、LS-PLM等。
  • 多模型融合类：GBDT LR。
  • CF协同过滤类

很多情况下我们不好收集用户的显式反馈信息，例如点赞点踩评论等，但隐式反馈信息，例如点击和转化，则较容易收集。协同过滤可以充分利用用户的行为，构建user与item的行为关系矩阵，矩阵的行向量即为user向量，列向量即为item向量。利用余弦相似度等计算方法，就可以找到相似的user和item，主要分为两类：

  • userCF：利用user向量，找到与当前user相似的其他user，再将他们感兴趣的item推荐给当前user。
  • itemCF：同理利用item向量，找到与当前user历史行为topK中的item相似的其他item，将它们推荐给当前用户。

二者使用的时候有什么区别呢，个人认为主要有：

  • userCF需要user行为较为丰富，itemCF则需要item被行为比较丰富。所以对于新闻类等item实时性要求高的场景，由于冷启item很多，所以可以考虑userCF。
  • 一般来说用户量要远大于推荐池的item数量，也就是user向量远多于item向量，故userCF的存储压力和向量检索压力都要大于itemCF。同时也导致user向量远比item向量要稀疏，相似度计算准确性不如itemCF。

协同过滤有哪些缺点呢？

  • 由于大部分user只对很少一部分item有行为，导致user与item的行为矩阵十分稀疏，甚至有些user根本没有任何行为，影响了向量相似度计算准确性。
  • user和item数量都很大，行为矩阵存储压力很大。
  • 矩阵稀疏也带来一个问题，就是头部热门item容易与大多数item均相似，导致极其严重的马太效应。

那怎么解决这些问题呢，矩阵分解MF应运而生。它将user与item的行为矩阵，分解为user和item两个矩阵，M*N的矩阵转化为M*K和K*N的两个矩阵，user矩阵每一行就是一个K维user向量，item矩阵每一列就是一个K维item向量。由于不像CF中向量是基于行为产生的，有比较明确的含义，故MF中的向量也叫user隐向量和item隐向量。通过MF，可以解决CF向量过于稀疏的问题，同时由于K远小于M和N，使得高维稀疏向量实现了低维稠密化，大大减小了存储压力。

MF矩阵分解有哪些实现方法呢，可以基于SVD和梯度下降来计算。由于SVD有一定限制条件，基于梯度下降的比较多。因此MF也被称为model-based CF。

MF本质上仍然是基于用户行为来构建的，没有充分利用user和item的各种feature，比如用户性别年龄，导致有大量的信息丢失。LR和FM就应运而生。

  • LR逻辑回归类

点击率和转化率预估问题，其本质仍然是一个分类问题，故完全可以采用经典的逻辑回归来解决。LR类方法的解决思路正是这样，与CF类不同，它将问题构建成一个有监督分类问题。同时可以利用use和item侧的丰富特征，表达能力比CF类要强。

LR各特征间无法交叉，因此对于辛普森悖论问题，没法得到有效解决，表达能力偏弱。FM因子分解机则应运而生。它增加了二阶特征交叉项，可以实现两个特征间的交叉。如下：

FFM则引入了field的概念，将n个特征归入f个filed内，同一个特征在不同的filed，其向量不同。相比FM，能够更好的捕捉每个域内的交叉特征。

  • 多模型融合GBDT LR

多模型融合在线性模型时代十分普遍，xgboost一度成为kaggle比赛的通用解决范式。三个臭皮匠顶个诸葛亮，利用多个模型可大大提升表达能力。model ensemble方法很多，这儿就不赘述了。我们提一下Facebook在2014年的解决方案：GBDT LR。

GBDT梯度提升决策树，每一颗树都是拟合前一颗树和目标之间的loss，从而使得最终loss不断缩小。如下图所示：

（二）精排模型发展历程——深度模型

进入深度模型时代后，精排模型发展更为迅猛，借用王喆老师的一张图，如下：

主要分为三种范式：

  • DNN类：DeepCrossing、FNN、PNN等
  • Wide&Deep异构模型类：优化记忆和泛化问题，主要包括四大类：
  • wide&deep：开启了异构模型时代，优化记忆和泛化问题。
  • wide侧改进：deep&cross（DCN）、deepFM等。
  • deep侧改进：AFM、NFM等。
  • 加入新的子网络：xDeepFM等。
  • Attention和序列建模类：
  • 注意力机制建模：AFM、autoInt、FiBiNet、DIN等。
  • 序列建模：DIEN、MIMN、SIM等。
  • DNN类
  • DeepCrossing

DeepCrossing是精排引入深度学习的一个关键模型，它奠定了深度学习精排模型的基本结构，完整解决了特征工程、embedding稀疏向量稠密化、多层神经网络拟合目标等关键问题。主要包括如下几层：

  • embedding层：将高维稀疏id特征，进行低维稠密化。对于非id类特征，则不进行embedding处理，直接进入下一层。
  • stacking层：把不同embedding和数值型特征，直接concat起来，进行特征融合。
  • DNN层：采用类似于ResNet的残差连接方式，构建了三层DNN，使用relu作为激活函数。利用DNN拟合能力强的优点，实现多特征交叉。FM只能实现二阶交叉，三阶则参数量爆炸，而DNN则可以做到高阶特征交叉。
  • 输出层：分类问题的输出一般都是使用一个softmax，将logits转化为0~1之间，代表每个类别的概率，取概率大的则为最终的输出。也可以基于逻辑回归，将输出logits取sigmod，转化为0~1之间的概率。

loss采用交叉熵即可，利用SGD或者Adam等优化器，进行反向传播梯度下降训练模型。预测时走一遍predict即可。结构如下：

  • PNN

DeepCrossing的stacking层，直接将特征concat起来，表达能力偏弱。PNN认为进入DNN前，有必要先进行特征交叉，从而使得特征充分融合。它的stacking层除了一阶特征concat外，还有二阶特征交叉，然后再concat起来。特征交叉有内积和外积两种方法，分别为IPNN和OPNN。结构如下：

  • FNN

FNN则认为embedding层参数量很大，反向传播时只有该embedding有对应样本时才能得到更新，故收敛速度远低于DNN层，故可以先构建一个FM模型，然后利用各特征的embedding作为深度模型的初始化。记住FNN主要是通过FM来实现embedding初始化即可，它也是embedding预训练的一种方法。

  • WDL异构模型类
  • wide&deep

wide&deep是精排模型中一个里程碑式的模型，后续有各种模型都是对它的wide侧和deep侧进行改进。它主要是为了解决推荐系统中的记忆和泛化问题。也就是我们经常说的高频靠记忆，低频靠泛化。它结合了LR线性模型的记忆能力，和DNN深度模型的泛化能力，模型结构如下图：

  • wide侧改进：DeepFM等

DeepFM则将wide部分的LR改为FM，从而增加二阶特征交叉能力，加强模型表达能力。结构如下：

  • deep侧改进：NFM等

NFM则对WDL的deep部分进行了改进，它在embedding层和DNN层之间，加入了特征交叉池化层。对两个长度相同的embedding向量，进行相同位置元素内积操作再求和，从而得到池化层输出。通过加入特征交叉池化层，来增强deep部分特征交叉能力。

  • 加入子分支：xDeepFM等

xDeepFM则在wide和deep两个分支基础上，新引入了一个分支CIN，具体就先不展开了，后面文章详细分析。如下图所示，注意新增了一个子分支CIN。

  • attention和序列建模

attention和序列建模都是解决多值特征的pooling问题的，最常见的多值特征就是用户行为序列，也是目前模型提升的关键。也使得精排模型融入了序列建模机制，是一个比较大的改变。

  • Attention：AFM、autoInt、FiBiNet、DIN等。

以DIN模型为例来讲解注意力机制的使用，用户行为序列中包括用户历史点击过的各种item，各个item与当前待打分item相关性不同，所以他们最最终模型打分的影响也不同。这个相关性怎么表达呢，这不就是Attention注意力吗。DIN对用户历史行为这个多值特征进行pooling建模，就采用了Attention加权求和的方法。

  • 序列建模：DIEN等

DIN中对行为序列各item加入了注意力机制，能有效区分他们的重要性。但没有考虑item的时序关系，比如用户购买手机后，大概率会买手机壳和贴膜，反之则概率低，可见时序关系对用户兴趣迁移十分关键。理论上DIN中加入item的index信息作为side info后，也可以将时序信息带入。目前基本采用multi-head target attention进行用户行为序列建模，很少采用容易梯度弥散和串行计算延迟的LSTM或者GRU等RNN模型，但还是有必要讲一下DIEN等序列模型，有利于构建整体知识体系。DIEN的兴趣进化网络包含三层：

  • 行为序列层（蓝色部分）：id类特征进行embedding。
  • 兴趣抽取层（黄色部分）：利用GRU序列建模，抽取用户兴趣，每个position会有一个输出。
  • 兴趣进化层（红色部分）：加入注意力机制，与待打分item进行target attention，再利用GRU得到序列最后一个位置输出。

针对序列长度过大，导致的梯度弥散、存储压力、计算延迟问题，后续MIMN、SIM等模型进行了针对性优化，就不展开了。

五、精排优化

精排优化的方法和论文很多，一定要有一个全局架构认知，从而知晓每篇论文主要针对精排什么地方做的改进，类似的改进方案有哪些，各有什么优缺点。我认为万变不离其宗，主要就是五个方面的问题：

  • 记忆和泛化：高频靠记忆，低频靠泛化，WDL类的异构模型主要就是为了解决这个问题。
  • 特征交叉：包括手动交叉和自动交叉两类。特征工程中手动构造user和item交叉统计特征，就是手动交叉的典范，目前这种方法仍然使用很普遍。而自动交叉则可分为线性和深度模型两种。线性模型就是FM、FFM这种，深度模型则采用DNN进行特征交叉。
  • embedding：embedding实现了高维稀疏向量的低维稠密化，作为精排模型的第一层，已经成为了基本范式。
  • 高维稀疏id特征：高维id特征区分度很大，对模型贡献高，但它们一般都比较稀疏，特别是中长尾的item和user样本少，加上其embedding维度高，比较难收敛。高维稀疏id特征的收敛问题也是一个待优化的关键问题。
  • 个性化行为建模：基于用户历史行为进行个性化推荐，是目前推荐算法的一大热点。行为序列如何建模是一个关键问题，multi-head attention和序列模型给出了各自解决方案。同时序列过长会导致计算和存储压力很大，带来线上延迟，MIMN和SIM对这方面有一定优化。

 作者简介

谢杨易

腾讯应用算法研究员

腾讯应用算法研究员，毕业于中国科学院，目前在腾讯负责视频推荐算法工作，有丰富的自然语言处理和搜索推荐算法经验。

 推荐阅读

揭秘一致性Hash算法应用！

手把手教你从0开始实现C 协程！

保姆级教程！Golang微服务简洁架构实战

阅见深我，读享生活，TVP读书分享会带你解锁新知！

特征工程 ide 大数据

0 人点赞