注意力机制用于推荐系统问题(DIN，DIEN，BERT4Rec，PRM)

最新推荐文章于 2025-04-05 15:37:41 发布

上杉翔二

最新推荐文章于 2025-04-05 15:37:41 发布

阅读量6.7k

点赞数 6

分类专栏：推荐系统文章标签：注意力机制推荐系统 DIN DIEN BERT4Rec

本文链接：https://blog.csdn.net/qq_39388410/article/details/106411456

版权

推荐系统专栏收录该内容

39 篇文章

订阅专栏

在这里插入图片描述
当注意力机制都已经变成很tasteless的手法的时候，使用/魔改注意力机制一定要专注讲好自己的故事…即为什么要用Attention，为什么要魔改Attention。

现阶段从传统的CF，FM等方法到NFM，DeepFM等等，虽然开始用深度学习DNN来处理深度的特征交叉，还缺少的主要有两点：

用户历史行为的特征挖掘。
特征冗余度问题。二阶or高阶的特征基本都是枚举式的。

DIN和DIEN都是阿里针对CTR预估的模型，都主要是对用户历史行为数据的进一步挖掘的工作。CTR预估任务是，根据给定广告/物品、用户和大量的上下文情况等信息，对点击进行预测，所以对用户的兴趣理解，历史行为数据非常重要。然后自从Transformer出现，BERT在NLP界屠榜，所以很自然在推荐系统上的应用也开始升级。本篇博文将整理四篇关于Attention的文章，从普通的Attention一路升级到BERT。

Deep Interest Network for Click-Through Rate Prediction（DIN）
DIN这篇文章的Attention故事出发点在于两点观察：

Diversity：多样性是指用户的兴趣是广泛的，一个用户会对多个物品，多个领域感兴趣
Local activation：部分对应是指只有部分历史数据与目前推荐的物品相关（如推荐零食物品就与用户以前买过什么装备无关）

那么怎么把这部分相关历史给动态的捕捉到呢？DIN的做法是，将用户的历史数据和当前的 item之间计算相似度，即计算Attention值，对每个用户的兴趣表示都赋予不同的权值，然后再加权求和。先看公式：
$V_u=f(V_a)=\sum^N_{i=1}w_i * V_i=\sum^N_{i=1} g(V_i,V_a)*V_i$ 其中 $V_u$ 代表用户的特征向量， $V_i$ 代表用户兴趣的特征向量（用户历史行为）， $V_a$ 代表物品的特征向量。 $w_i$ 是用户兴趣和候选物品的相关性 $g(V_i,V_a)$ ，对齐了用户兴趣，实际上就是解决了Local Activation问题。然后用户特征向量就是所有加权后的历史行为和了。

整个模型框架如上图所示，左边是base模型，主要是将特征one-hot或multi-hot（主要是对用户历史行为数据）后再embedding，值得注意的是，每个用户的历史点击个数是不相等的，但需要变成一个固定长的向量，所以对于multi-hot的特征会多做一个element-wise（即图中的+号），即不管用户的行为序列有多长，都会pooling成同一个维度。最后拼接之后用MLP预测最终的分数。但是这个base版本作者认为pooling的结果显然丢失了大量信息，很显然使用Attention能够提高用户行为特征的表达，所以右边的图就是加了Attention之后的版本。

加注意力的思路很简单。然后还有两个重要的Trick：

Data Dependent Activation Function（Dice激活函数）
原来一般的Relu激活函数在值大于0时y=x，小于0时直接输出为0，这样导致了许多节点的“死亡”，更新缓慢。因此Leaky Relu在左边小于0的部分也给一定的梯度即y=ax。但这样仍然是不够的，因为它们的默认分割点都是在0这个地方（比0大的左边或者右边），不合理，分割点应该由数据决定，所以需要Dice。
在这里插入图片描述
第一个式子是Leaky的改版，但是此时在Leaky Relu左边的y=ax上会多一个控制的参数p，而p是对数据进行均值归一化后（即利用数据的均值和方差进行调整）的结果，即把整个激活函数移动到了数据的均值处。

优点：根据数据分布灵活调整阶跃变化点，具有BN的优点
缺点：BN复杂度，比较耗时

def dice(_x, axis=-1, epsilon=0.000000001, name=''):
  #Data Adaptive Activation Function
  with tf.variable_scope(name_or_scope='', reuse=tf.AUTO_REUSE):
    alphas = tf.get_variable('alpha'+name, _x.get_shape()[-1],                                  
                         initializer=tf.constant_initializer(0.0),                         
                         dtype=tf.float32)
    beta = tf.get_variable('beta'+name, _x.get_shape()[-1],                                  
                         initializer=tf.constant_initializer(0.0),                         
                         dtype=tf.float32)
  input_shape = list(_x.get_shape())

  reduction_axes = list(range(len(input_shape)))
  del reduction_axes[axis]
  broadcast_shape = [1] * len(input_shape)
  broadcast_shape[axis] = input_shape[axis]
                                                                                                                                                                            
  # case: train mode (uses stats of the current batch)
  #计算batch的均值和方差
  mean = tf.reduce_mean(_x, axis=reduction_axes)
  brodcast_mean = tf.reshape(mean, broadcast_shape)
  std = tf.reduce_mean(tf.square(_x - brodcast_mean) + epsilon, axis=reduction_axes)
  std = tf.sqrt(std)
  brodcast_std = tf.reshape(std, broadcast_shape)
  x_normed = tf.layers.batch_normalization(_x, center=False, scale=False, name=name, reuse=tf.AUTO_REUSE)
  # x_normed = (_x - brodcast_mean) / (brodcast_std + epsilon)
  x_p = tf.sigmoid(beta * x_normed)
 
  
  return alphas * (1.0 - x_p) * _x + x_p * _x #根据原文中给的公式计算

def parametric_relu(_x):
  #PRELU激活函数，形式上和leakReLU很像，只是它的alpha可学习
  #alpha=0，退化成ReLU。alpha不更新，退化成Leak
  with tf.variable_scope(name_or_scope='', reuse=tf.AUTO_REUSE):
    alphas = tf.get_variable('alpha', _x.get_shape()[-1],
                         initializer=tf.constant_initializer(0.0),
                         dtype=tf.float32)
  pos = tf.nn.relu(_x)
  neg = alphas * (_x - abs(_x)) * 0.5 #用alpha控制

  return pos + neg

Adaptive Regularization（自适应正则）
这个方法提出的动机是输入的数据长尾分布，非常稀疏维度高应该怎么防止过拟合。直接L1、L2、Dropout效果不佳，直接丢弃又损失了信息可能加重过拟合，怎么办？自适应的正则方法，按照出现的频率调整正则化的强化，即频率高的，正则化强度小，频率低的，正则化强度高。也就是说会惩罚那些出现频率低的item。
在这里插入图片描述

完整的源码笔记：https://github.com/nakaizura/Source-Code-Notebook/tree/master/DIN
paper：https://arxiv.org/abs/1706.06978

DIN的设计对工业界的帮助更大，因为上线的时候受制于内存所以User Embedding不能很大，那么显然无法很好的表示用户特征，想表示用户的多兴趣（多峰）就很难了。此时DIN基于用户历史行为再加入Attention就很好的缓解了这个问题。
缺点：用到了历史行为数据，但是忽略了序列关系。

在这里插入图片描述
Deep Interest Evolution Network for Click-Through Rate Prediction（DIEN）
升级DIN，改进DIN中存在两个缺点：

用户兴趣应该是不断进化的。DIN抽取的用户兴趣是固定的，没有捕获到兴趣的这种进化性
如何保证通过用户的显式的行为得到的兴趣是有效的

所以DIEN中主要开发了兴趣抽取层Interest Extractor Layer、兴趣进化层Interest Evolution Layer以解决上面两个缺点。

Interest Extractor Layer
兴趣抽取层的主要目标是提取出兴趣序列，而用户在某一时刻的兴趣是具有时序关系的，所以设计了GRU with attentional update gate (AUGRU，这个是Evolution Layer中加入注意力后的形态)，增强在兴趣变化中相关兴趣的影响，减弱不相关兴趣的影响。同时为了判定兴趣是否表示的合理，又增加了一个辅助loss，来提升兴趣表达的准确性：
$L_{aux}=-\frac{1}{N}(\sum^N_{i=1}\sum_t log \sigma(h_t,e^i_b[t+1])+log(1-log \sigma(h_t,e^i_b[t+1]^{'}))$ 如上图中左边的小块是辅助网络，输入用户下一时刻真实的行为e(t+1)作为正例，负采样的行为为负例e(t+1)’，分别与GRU抽取出的兴趣h(t)到辅助网络中即可，以充分的提升用户兴趣的表达。

def auxiliary_loss(self, h_states, click_seq, noclick_seq, mask, stag = None):
        mask = tf.cast(mask, tf.float32)
        click_input_ = tf.concat([h_states, click_seq], -1) #正例
        noclick_input_ = tf.concat([h_states, noclick_seq], -1) #负例
        #输到网络得到概率
        click_prop_ = self.auxiliary_net(click_input_, stag = stag)[:, :, 0]
        noclick_prop_ = self.auxiliary_net(noclick_input_, stag = stag)[:, :, 0]
        #计算loss
        click_loss_ = - tf.reshape(tf.log(click_prop_), [-1, tf.shape(click_seq)[1]]) * mask
        noclick_loss_ = - tf.reshape(tf.log(1.0 - noclick_prop_), [-1, tf.shape(noclick_seq)[1]]) * mask
        loss_ = tf.reduce_mean(click_loss_ + noclick_loss_)
        return loss_
	#辅助网络的结构
    def auxiliary_net(self, in_, stag='auxiliary_net'):
        bn1 = tf.layers.batch_normalization(inputs=in_, name='bn1' + stag, reuse=tf.AUTO_REUSE)
        dnn1 = tf.layers.dense(bn1, 100, activation=None, name='f1' + stag, reuse=tf.AUTO_REUSE)
        dnn1 = tf.nn.sigmoid(dnn1)
        dnn2 = tf.layers.dense(dnn1, 50, activation=None, name='f2' + stag, reuse=tf.AUTO_REUSE)
        dnn2 = tf.nn.sigmoid(dnn2)
        dnn3 = tf.layers.dense(dnn2, 2, activation=None, name='f3' + stag, reuse=tf.AUTO_REUSE)
        y_hat = tf.nn.softmax(dnn3) + 0.00000001
        return y_hat

Interest Evolution Layer
兴趣进化层目标是刻画用户兴趣的进化过程，这里的Attention故事是：

interest drift：用户的兴趣具有偏向性。
interest individual：用户的兴趣之间具有独立性。

所以需要注意力机制去增强在兴趣变化中相关兴趣的影响，减弱不相关兴趣的影响，即给 GRU计算Attention权重，如上图红色的部分。注意力有三种变体可以选择:

GRU with attentional input (AIGRU)：将注意力作为输入 $i_t^{'} = h_t\cdot a_t$
Attention based GRU(AGRU)：用注意力代替GRU的更新门 $h_t^’=(1-a_t)\circ h_{t-1}^’+a_t\circ\tilde{h}_t^’$
GRU with attentional update gate (AUGRU)：对更新门加权 $u_t^‘ = u_t\cdot a_t$

原code：https://github.com/mouna99/dien
paper：https://arxiv.org/pdf/1809.03672.pdf

注意力的其他玩法
推荐系统也算是很大的领域了，所以关于注意力的玩法也有很多，所以重点决定是为什么要用Attention。比如要融合各种特征（attention或者co-attention，cross-attention），特征是否分级（Hierarchical，level-attention），特征间是否存在交互（interactive attention），特征是否群组关系（Group-Attention），是否存在动态的变化（dynamic attention，可能一般的用法会按时间线算多次以捕捉这种动态性），然后或许仅仅算Attention已经不够了，那么魔改升级Attention变成High-order-Attention，Channel-wise-Attention，Spatial-Attention等等…还有其他的注意力变体博主以前也整理过了，就不再多说。

目前Attention的升级已经逐步暴力，从self-Attention到Transformer到BERT，效果也自然是变好了。
在这里插入图片描述

Behavior Sequence Transformer for E-commerce Recommendation in Alibaba
把Attention升级成Transformer之后真的简单粗暴，Transformer博主已经整理过了，不再赘述。BST把特征Embedding之后直接送进去就ok。主要看看输入的几个特征吧：

图最左边的other feature分为四个部分，用户特征、商品特征、上下文特征、交叉特征
item里面的蓝色是位置编码，红色是行为序列中的物品

位置编码和Transformer里面不一样的是，会把表示位置的时间戳直接映射成向量而不是sin函数，最后就是一般的损失函数：

$L=-\frac{1}{N}\sum_{(x,y)\in D}(ylogp(x)+(1-y)log(1-p(x)))$

paper：https://arxiv.org/pdf/1905.06874.pdf

在这里插入图片描述
BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer
有了Transformer，升级成BERT就很自然了。BERT首用于NLP，那么正好，用户的行为序列很像文本序列，于是BERT4Rec吧。模型结构如上图所示，输入是[v1,v2,…,vt]的序列，同时最后一个vt被mask掉，然后强制Transformer结合上下文预测vt，那么对于用户的行为序列，很自然就能得到最后的输出为推荐的结果。

有两个Trick需要注意：

输入不是所有的用户行为序列。因为不同用户的行为序列长度可能相差太大了，所以采用最近的N个行为序列做输入
在模型训练的时候并不是只mask最后一个，而是和BERT本身一样，随机mask，然后预测masked的部分

paper：https://arxiv.org/abs/1904.06690

在这里插入图片描述

Personalized Re-ranking for Recommendation
补一篇不那么正统的论文，这篇阿里ResSys’19文章的重点在于推荐后的重排序。贡献主要是利用Transformer+用户个性化重排：

用户和列表中物品的交互能更有倾向性
Transformer的self-attention可以有效捕捉特征间的交互

具体模型架如上图，得到initial list之后把每个item的特征x和用户偏好p拼起来，这两个特征都是预训练得到的（比如用任意一个CRT的模型结合用户的历史行为，物品等等的信息进行训练就行）： $E^{\prime \prime}=\left[\begin{array}{c} {x_{i_{1}} ; p v_{i_{1}}} \\ {x_{i_{2}} ; p v_{i_{2}}} \\ {\cdots} \\ {x_{i_{n}} ; p v_{i_{n}}} \end{array}\right]+\left[\begin{array}{c} {p e_{i_{1}}} \\ {p e_{i_{2}}} \\ {\cdots} \\ {p e_{i_{n}}} \end{array}\right]$
再把目前item在列表中的位置编码加进去： $E=E W^{E}+b^{E}$ 再用Transformer来捕捉交互得到score就是重排的结果了。

paper：https://arxiv.org/pdf/1904.06813.pdf