0. 前言
item得分的计算通常用于召回并且配合用户兴趣画像一同使用。item得分计算的方式可以归为三类：
- 千人一面（最常用）：通常是CTR热度，按照整个用户来算会有变动但波动不大
- 千人百面：折中方案，通过用户分群找代表用户。
- 千人千面：资源消耗较大，一般做不到。
本文重点针对“千人一面”的item得分计算方式来浅谈一下贝叶斯平滑在CTR上的实践。
1. 问题
以内容分发为例，在计算item得分的时候，可以有很多维度，比如item的互动热度、变化率、创建时间、CTR、负反馈等。若取CTR作为得分依据来对item进行召回，则我们希望可以召回点击率较高且数据相对置信的一批item。这时候可能就会有以下两个问题：
- 新的item没有曝光点击数据，那么就没有得分。（当然这里也可以通过一些冷启策略解决）
- 两个item，第一个CTR=10/20，第二个CTR=1000/2000。此时CTR得分一模一样，但是很明显后者数据更加置信。
2. 简单的思考
最简单的思考，我们可以人为的定两个值，a和b，将CTR改造成：
但是这样的改造只能解决问题1，对于问题2的解决效果并不是很好。因此我们思考这里可不可以做的不那么“暴力”？简单一点的改造是取历史日志的平均点击、曝光，但是还是不够优雅，并且若给的a、b值太大会导致所有item的打分向平均值集中。
我们知道，一个item是否被点击是符合伯努利分布的，而伯努利分布中只有一个参数P，我们可以通过取一些日志算出P，继而得到后验，接着后验又可以作为下一次迭代的先验，但是这样不好计算。
3. beta分布改进
因此我们希望先验和后验同属于一个分布，只是其中的参数不一样，这样我们在实现的时候只用更新里面的参数，不需要通过大量的计算。而伯努利分布的共轭分布是beta分布，因此可以利用beta分布做贝叶斯平滑，并将CTR得分改造成：
其中α和β通过矩估计来获得，具体的：
其中μ为均值，σ为方差。
4.beta分布画图
Beta分布的横轴和纵轴分别表示随机变量的取值和概率密度函数（Probability Density Function，PDF）的取值。横轴表示Beta分布中随机变量的取值，取值范围为[0,1]，可以理解为某个事件发生的概率，比如CTR。在Beta分布中，横轴的取值范围是由Beta分布的参数α和β决定的。纵轴表示在Beta分布中某个随机变量取某个特定值的概率密度，取值范围为[0,∞)，表示在横轴某一点处的概率密度。用python画图：
代码语言：python代码运行次数：0复制import numpy as np
from scipy.stats import beta
import matplotlib.pyplot as plt
ab_pairs = [(2.81,21.92), (14.19,123.57)]
x = np.linspace(0, 1, 1002)[1:-1]
for a, b in ab_pairs:
print(a, b)
dist = beta(a, b)
y = dist.pdf(x)
plt.plot(x, y, label=r'$alpha=%.1f, beta=%.1f$' % (a, b))
# 设置标题
plt.title(u'Beta Distribution')
# 设置 x,y 轴取值范围
plt.xlim(0, 1)
plt.ylim(0, 25)
plt.legend()
plt.savefig("./beta.svg", format="svg")
4.1 beta分布示例图- 当beta分布的α和β参数很小时：意味着分布的概率密度函数在中心点处较高，但是尾部的概率密度函数下降得很快。这通常被解释为分布的方差很大，也就是说，数据的差异很大，没有一个明显的趋势或者结论。因此，当α和β参数很小时，通常表示我们对数据的先验知识很少，或者数据来源不可靠。
- 当beta分布的α和β参数很大时：说明该分布的峰值比较尖锐，方差较小，而且分布趋于对称。这反映了样本数据非常准确地估计了真实参数，使得数据置信度非常高。（这里先埋个坑，后面细说）
5. 工程上的实践
接下来我们就要来计算α和β了，到这里我们根据粒度大脑袋一拍可以想到三种方案：
- 对于所有的item只算一套α和β作为平滑参数（粗粒度）
- 对每个类别分桶下分别计算一套α和β作为每一个类别的平滑参数（折中）
- 对于每一个item，都计算一套α和β作为每一个平滑参数（细粒度）
很显然，方法3根本就是错的，无论是从实现还是贝叶斯平滑的角度出发都不正确。
【我们希望的是】：能用一批“有代表性”的item求出其beta分布，来做所有item的平滑。同时，若一个item曝光点击数据较小，我们认为它数据不够置信，那么我的先验（α和β）应该起到主导作用；若一个item曝光点击数据足够多，我们认为它已经足够置信，则先验（α和β）作用几乎没用。
因此可以采用的是方法1和方法2。针对这两个方法下面也会展开讨论。
5.1 方法1
对于所有的item只算一套α和β作为平滑参数（粗粒度），具体在实践中，通常取一个周期（比如7天），然后在每天，按uid、itemid、traceid进行去重，接着分别对每一个item计算CTR，然后根据这些CTR求出当天的方差和均值，并根据方差和均值计算出每天的α和β，再求7天的平均α和β。用SparkSQL来实现，如下代码所示：
代码语言：sql复制SELECT AVG(alpha) AS avg_alpha
, AVG(beta) AS avg_beta
FROM(
SELECT ftime
, mean
, variance
, mean*(mean*(1-mean)/variance-1) AS alpha
, (1-mean)*(mean*(1-mean)/variance-1) AS beta
FROM(
SELECT ftime
, AVG(ctr) AS mean
, VARIANCE(ctr) AS variance
FROM (
SELECT ftime
, item_id
, imp
, clk
, ctr
FROM mid_tb
WHERE imp>500
)
GROUP BY ftime
)
WHERE NOT isnan(variance)
)
WHERE alpha IS NOT NULL AND beta IS NOT NULL这里需要注意的是，在计算方差和均值的时候可以卡一个曝光阈值剔除长尾数据，比如我这里是WHERE imp>500。如果不剔除长尾数据，那么CTR的方差会过大，导致矩估计计算得出的平滑参数过小，进而导致平滑效果失效。下图反应的是卡阈值之前的beta分布，以及卡阈值之后的beta分布：
5.1 卡阈值前后beta分布上图可以看出黄色曲线没卡阈值，有很多长尾数据，比如曝光3次点击2次，CTR=2/3。导致计算出的α=0.1，β=2.3，基本上就没有平滑的作用了，其原因是长尾数据的CTR不置信增大了方差。但是其实不难发现，方法1即使是卡了曝光阈值，计算出的α和β依然没有很大，平滑力度还是有限。
5.2 方法2
对每个类别分桶下分别计算一套α和β作为每一个类别的平滑参数（折中）。方法1实现起来较为简单，线上工程部署也比较方便，因为只需要求得一组α和β就可以了。但是其也拥有一定的局限性：不同品类（category）的item的CTR分布天然就会有差异，这个差异和产品形态有关系。例：一个主打交友的产品，那“交友”类的帖子CTR可能就会普遍高于“体育”类的帖子。下图展示的是一个产品中不同品类的CTR差异，横轴为品类，纵轴为CTR：
5.2 不同品类下的CTR（纵轴CTR）基于上面的情况，若直接用方法1，计算出的方差仍然较大，导致平滑粒度不够。针对这个问题一个简单的方法是人工放大平滑参数，增强平滑力度，但是会改变其原始分布。比如针对方法1中的α=1.7，β=35.9，人为放大4倍，变成α=6.8，β=143.6。
5.3 放大4倍后的beta分布更优雅的方法则是：由于每个品类的CTR差异较大，因此可以对每一个品类下分别计算α和β。一方面可以减少方差，增加平滑力度，另一方面也是考虑的每个品类本身的CTR分布不同。
不过到这里有个坑（第四章末提到），如果品类（或者tag）的数目过多，也就是分的太细，可能导致每一个品类（或者tag）下的item个数较少，出现长尾品类。这时候若计算每个品类下的α和β很可能会求出特别大的α和β，因为数据可能只有一两条，方差很小导致beta分布以为数据足够置信，实际上并不是。针对这种情况的解决方法是：
- 采用粗粒度的品类体系，保证每个品类下的数据量足够。
- 或者退而求其次采用5.1的方法1。
