小红书信息流推荐多样性解决方案

小红书技术REDtech

已于 2022-05-19 18:39:44 修改

阅读量1.3k

点赞数 2

文章标签：推荐算法

于 2022-05-19 18:02:11 首次发布

本文链接：https://blog.csdn.net/REDtech_1024/article/details/124867950

版权

小红书研究团队提出了滑动频谱分解（SSD）方法，以提升信息流推荐的多样性。SSD通过用户浏览序列的Tensor分解，结合质量与多样性，优化推荐体验。实验表明，SSD在保持用户互动和多样性之间取得了良好平衡，且在线A/B测试中取得积极效果。此外，还介绍了Content-based to Collaborative Filter（CB2CF）方法，以预估协同过滤结果，提高新内容和长尾兴趣的推荐质量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文末有彩蛋，不要错过~

摘要：

来自小红书的研究者在多样化推荐中，从用户体验和系统应用的视角出发，提出了一种滑动频谱分解（SSD）的方法，该方法可以捕捉用户在浏览长序列时对多样性的感知。通过理论分析、离线实验和在线 A/B 测试，验证了该方法的有效性。

背景：

多样化的推荐（diversified recommendation）是推荐系统中一个重要的课题。从用户视角看，多样性（diversity）可以帮助他们扩展和发现新的兴趣，扎堆的内容则会令他们厌倦。从平台视角看，多样性可以帮助系统探索用户的喜好，防止越推越窄的情况，同时也可以让小众和长尾的内容得到曝光，促进发布生态。

小红书是一个拥有2亿月活用户的社区产品，在APP首页，我们以“发现Explore”来定义信息流推荐的场景，希望这个场景能够帮助用户发现感兴趣的内容，抑或是找到新的兴趣。在“发现”这一目标的驱动下，多样化的推荐（diversified recommendation）显得尤为重要。从算法角度来看，我们认为它由以下三个要素组成：质量（Quality）、多样性（Diversity）和公平性（Fairness）。

本文介绍的工作，也是小红书发表于KDD21的Sliding Spectrum Decomposition for Diversified Recommendation [1]一文，试图在信息流场景下研究多样性及其关联的问题。在信息流场景下，用户可以在Feed中进行持续的浏览，这会形成一个很长的浏览序列，另外受限于手机屏幕的大小以及短时记忆的影响，“窗口大小”也关乎浏览体验。

从第一性原理出发，我们试图从用户视角来理解这个问题。想象自己作为一台浏览机器，刷信息流就像是在观测一个一维的时间序列，每个时刻对应一篇Item。那如何描述序列中蕴含的多样性呢？不妨以经典时间序列分析中的价格波动为例，若定价由经营成本、季节因素和噪声三个独立的部分组成，如下图所示，那么分解的过程就是研究价格变化的关键。类比到推荐场景，如果我们能将Item序列分解成几个独立的部分，或许就能得到较好的多样性衡量。

Sliding Spectrum Decomposition (SSD)：

出于上面的启发，我们将用户观测到的Feed序列，转换为下图所示的Tensor $\mathcal{X}$ ：

其中序列总长度为 $T$ ，用户浏览窗口大小为 $w$ ，推荐的item序列为 $i_1, i_2, ..., i_T$ ，滑动步长为1， $\boldsymbol{v}$ 为Item在向量空间中的表示。 $\mathcal{X}$ 是一个三维的张量，直接研究它有些困难。我们不妨先考虑最为简单的情况：w = T = 2，即两个item向量如何分解成独立部分的问题。直观上，我们可以以空间上的正交方向来定义独立，如下图所示

以 $v_1$ 为底，我们可以计算 $v_2$ 与之重叠的部分以及正交的部分，正交的部分越大，意味着二者越独立，也就是多样性更好。只考虑2个Item，也就是在二维平面中，面积是一个很好的度量，如下图所示， $v_1$ 与 $v_2$ 围成的平行四边形面积更大，于是他们组合的多样性也就更好。扩展到更一般的情况，我们可以用体积来计算一个窗口内Item的多样性。

至此我们用体积定义了单一窗口的多样性，但多个窗口联合的体积是没有一个直观定义的，我们需要推广“体积”的概念。具体而言，一个窗口是Tensor退化至二维矩阵Matrix的情况，其体积的原始定义是行列式的值，然而一般Tensor的行列式没有一个统一的定义。考虑Matrix行列式的等价计算方式，奇异值的乘积，这一概念是可以作为代理扩展到Tensor的，类似的分解方式也常见于时间序列分析中 [4]。于是我们对Tensor做奇异值分解，将奇异值 $\sigma_{ijk}$ 的乘积，作为了Tensor的体积，即多个窗口联合的多样性。与每篇Item的质量结合，我们即得到了如下的trade-off目标，其中 $Z$ 是候选集合， $\gamma$ 是一个平衡系数。

在这里我们以EE的方式来组合Quality和Diversity，在实际应用中，Quality更多的是以精排模型打分为基础，是以过去经验来判断的Exploitation，多样性则是基于内容相似度的分数，在不考虑个性化的情况下，多样性可以理解为是一种Exploration。

与SSD最相近的工作是DPP。DPP本是物理中用于描述粒子随机过程的概率框架，全程determinantal point process，基于体积来描述粒子的扩散程度（多样性）。回忆体积的物理意义，体积这一概念其实是无关乎顺序的。在基于DPP的多样化推荐中，是贪心求解过程赋予了顺序 [3]，而SSD在Tensor构造中就引入了顺序这一概念，当Tensor退化成Matrix时即可得到DPP的结果，因此SSD可以看做是DPP在序列推荐上的一种推广。另一方面，在Diversity与Quality的组合上，SSD和DPP也有明显的不同，DPP延续了体积的概念，将Quality作为向量的boost系数，即体积中的因子来融合，而SSD更推荐用EE的组合方式，我们认为EE更符合用户的浏览诉求。除此之外，在窗口的处理上，DPP本身定义上不存在窗口的概念，因此在求解过程中会完全忽略掉窗口外的内容，这在长序列中是很不符合用户感知的，SSD通过Tensor的构造引入了体积的概念，虽然在原始定义上需要求解NP-hard的Tensor SVD，但我们在[1]中给出了一种近似的贪心求解，最终的复杂度会优于基于DPP的工作。

Content-based to Collaborative Filter：

在多样性定义中，我们依赖于Item的向量表示来计算体积，向量之间两两之间的相似性需要能够符合用户对于多样性的感知，也需要考虑最开始我们提到的公平性。有两种直观的思路来得到这些向量。一是content-based方法，即我们构造一个基于图片和文字内容的监督任务，将监督模型的中间层结果作为向量表示。二是基于协同过滤方法，即我们通过全体用户的交互历史，构造CF向量。

然而在实际应用中，单纯使用这两种方法都有一定的缺陷。Content-based的方法依赖于大量的先验知识，效果往往不如CF，而基于协同过滤的方法对于长尾兴趣和新内容却非常不友好，在计算相似度上可能没那么公平。于是我们设计了上图所示的Content-based to Collaborative Filter（CB2CF）方法，通过content信息预估协同过滤的结果。在输入上仅使用内容，这样即使对于新内容也能依赖模型的泛化能力得到较好的结果。在输出上依赖全体用户的协同标注，使得我们能够在统计上学习用户感知的信号。

这里我们也与过去工作做一个简单的对比，CB2CF的思想源于微软19年发表在RecSys上的工作 [2]。[2]中推荐的训练方式是以CB向量直接预测CF向量，最终以两个CF向量的差异作为loss。我们则更推荐以距离的方式先度量CB向量转换后的结果，最终以likelihood的方式构造loss。

实验效果：

在离线实验中，我们对比了CF和CB2CF在长尾上的表现。在四个高区分度的类目下，我们可以看到CB2CF有着较好的区分能力。

在线上实验中，我们用SSD与SOTA的DPP模型做了A/B实验，在时长（Time）、互动（Engage）、ILAD（用户浏览Item之间的平均距离，即曝光多样性)、MRT（用户平均阅读类目数，即消费多样性）上都取得了一定的收益。

论文链接：https://arxiv.org/abs/2107.05204

参考文献：

Huang, Yanhua, et al. "Sliding Spectrum Decomposition for Diversified Recommendation." Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. 2021.
Barkan, Oren, et al. "CB2CF: a neural multiview content-to-collaborative filtering model for completely cold item recommendations." Proceedings of the 13th ACM Conference on Recommender Systems. 2019.
Chen, Laming, Guoxin Zhang, and Eric Zhou. "Fast greedy map inference for determinantal point process to improve recommendation diversity." Advances in Neural Information Processing Systems 31 (2018).
Broomhead, David S., and Gregory P. King. "Extracting qualitative dynamics from experimental data." Physica D: Nonlinear Phenomena 20.2-3 (1986): 217-236.