【上】王树森《小红书推荐系统公开课》- 课程笔记（推荐系统基础、召回、排序）

Cheer-ego

已于 2024-09-17 02:39:55 修改

阅读量4k

点赞数 34

分类专栏：搜广推文章标签：推荐算法神经网络深度学习

于 2024-05-22 23:15:44 首次发布

本文链接：https://blog.csdn.net/qq_43629945/article/details/134109883

版权

搜广推专栏收录该内容

2 篇文章 4 订阅

订阅专栏

写在前面

本文为王树森老师《小红书推荐系统公开课》的课程笔记

课程来源：ShusenWang的个人空间-ShusenWang个人主页-哔哩哔哩视频 (bilibili.com)
课程资料：GitHub - wangshusen/RecommenderSystem

由于篇幅较长，分为【上】【下】两篇文章来记录。其中【上】包括推荐系统基础、召回、排序，【下】包括特征交叉、行为序列、重排、物品冷启动、涨指标的方法

【上】部分，内容导航如下：

（一）推荐系统基础

1、推荐系统的基础概念

打开小红书APP，默认打开 “发现” 页面，展示推荐系统分发给你的内容，即用户自己创作的笔记，将它们展示给其他用户，形成陌生人社交的社区

小红书推荐系统的转化流程

推荐系统决定给用户曝光什么内容，用户自己决定是否点击、滑动到底、...

抖音没有曝光和点击，用户下滑一次只能看到一个视频

短期消费指标

反映出用户对推荐是否满意

点击率 = 点击次数 / 曝光次数
- 越高说明推荐越精准
- 不能作为唯一优化目标（标题党）
点赞率 = 点赞次数 / 点击次数
- 收藏率、转发率同理
阅读完成率 = 滑动到底次数 / 点击次数 * 归一化函数（跟笔记长度有关）
- 笔记越长，完成阅读的比例就越低
- 若没有归一化函数，对长笔记会不公平

短期消费指标容易竭泽而渔，用户很快会失去兴趣，不再活跃。故还需关注多样性（用户没看过的话题），有助于提高用户黏性，留住用户，让用户更活跃

北极星指标

衡量推荐系统好坏最重要的指标，根本标准

用户规模：日活用户数DAU（只要今天登录了一次小红书就增加了一次DAU）、月活用户数MAU（只要这个月登录了一次小红书就增加了一次MAU）
消费：人均使用推荐的时长、人均阅读笔记的数量
- 通常与点击率涨跌一致。若矛盾，应以北极星指标为准，如增加多样性，点击率不一定涨，但时长可能变多
发布：发布渗透率、人均发布量
- 激励作者发布通常是由冷启动来负责

实验流程

做离线实验不需要把算法部署到产品中，没有跟用户实际交互，没有占用线上流量
离线实验结果没有线上实验结果可靠（北极星指标都是线上指标，只能通过线上实验获得）
AB测试：把用户随机分成实验组和对照组，实验组用新策略，对照组用旧策略，对比两者的业务指标，判断新策略是否会显著优于旧策略。若是，可以加大流量，最终推全

2、推荐系统的链路

推荐系统的目标是从物品的数据库中选出几十个物品展示给用户

召回（几亿->几千）

从物品的数据库中快速取回一些物品

几十条召回通道，每条召回通道取回几十~几百个物品，一共取回几千个物品作为候选集

召回通道：协同过滤、双塔模型、关注的作者等
融合、去重、过滤（排除掉用户不喜欢的作者、笔记、话题等）

让排序决定该把哪些物品曝光给用户，以及展示的顺序。为了解决计算量的问题，将排序分为粗排和精排（二者非常相似，但精排模型更大，用的特征更多）

粗排（几千->几百）

用规模较小的机器学习模型给几千个物品逐一打分，按照分数做排序和截断，保留分数最高的几百个物品送入精排（也会用一些规则，保证进入精排的笔记具有多样性）

排序分为粗排和精排，平衡计算量和准确性
召回和粗排是最大的漏斗

精排（几百->几百）

用大规模深度神经网络给几百个物品逐一打分，做排序和截断（截断可选）

精排相比粗排用的特征更多，计算量更大，模型打分更可靠
把多个预估值做融合（比如加权和）得到最终的分数，分数决定会不会展示给用户，以及展示的位置

重排（几百->几十）

根据精排分数和多样性分数做随机抽样，得到几十个物品。用规则把相似内容打散，并插入广告和运营推广内容，根据生态要求调整排序，即为最终展示给用户的结果

重排主要是做多样性抽样（如MMR、DPP）、规则打散、插入广告和运营内容
- 做多样性抽样（比如MMR、DPP），从几百个物品中选出几十个
- 用规则打散相似物品
- 插入广告、运营推广内容，根据生态要求调整排序

整条链路上，召回和粗排是最大的漏斗（候选物品从几亿->几千->几百）

3、AB测试

目的：

离线实验的指标有提升，不代表线上实验也会有收益。判断新策略能带来多大的业务指标收益
模型中有一些参数，需要用AB测试选取最优参数，如GNN网络的深度可以是1/2/3层

离线实验结果正向，下一步是做线上的小流量AB测试（一般10%用户）

随机分桶

若用户数量足够大，每个桶的DAU/留存/点击率等指标都是相等的

例：召回团队实现了一种GNN召回通道，离线实验结果正向。下一步是做线上的小流量A/B测试，考虑新的召回通道对线上指标的影响。模型中有一些参数，比如GNN的深度取值∈{1, 2, 3}，需要用A/B测试选取最优参数

1~3桶的GNN深度分别为1~3层，4号桶没有用GNN做召回
计算每个桶的业务指标，比如DAU、人均使用推荐的时长、点击率等
如果某个实验组指标显著优于对照组，则说明对应的策略有效，如2桶的业务指标与对照组的diff有显著性，说明2层的GNN召回通道是有效果的，值得推全（把流量扩大到100%，给所有用户都使用2层GNN召回通道）

分层实验

目标：解决流量不够用的问题

信息流产品的公司有很多部门和团队，都需要做AB测试
- 推荐系统（召回、粗排、精排、重排）
- 用户界面
- 广告
如果把用户随机分成10组，1组做对照，9组做实验，那么只能同时做9组实验，无法满足产品迭代需求

分层实验：召回、粗排、精排、重排、用户界面、广告...（例如GNN召回通道属于召回层）

同层互斥：GNN实验占了召回层的4个桶，其他召回实验只能用剩余的6个桶
- 两个召回实验不会同时作用到同一个用户上
- 避免一个用户同时被两个召回实验影响，若两个实验相互干扰，实验结果将变得不可控
不同层正交：每一层独立随机对用户做分桶，每一层都可以独立用100%的用户做实验
- 一个用户可以同时受一个召回实验和一个精排实验的影响，因为它们的效果不容易相互增强或抵消

互斥 vs 正交：

如果所有实验都正交，则可以同时做无数组实验
同类的策略（例如精排模型的两种结构）天然互斥，对于一个用户，只能用其中一种
同类的策略（例如添加两条召回通道）效果会相互增强或相互抵消。互斥可以避免同类策略相互干扰
不同类型的策略（例如添加召回通道、优化粗排模型）通常不会相互干扰，可以作为正交的两层

Holdout机制

每个实验（召回、粗排、精排、重排）独立汇报对业务指标的提升
公司考察一个部门（比如推荐系统）在一段时间内对业务指标总体的提升
取10%的用户作为holdout桶（对照组），推荐系统使用剩余90%的用户做实验，两者互斥
10% holdout桶 vs 90% 实验桶的diff（需要对指标做归一化）为整个部门的业务指标收益

每个考核周期结束之后，清除holdout桶，让推全实验从90%用户扩大到100%用户
重新随机划分用户，得到holdout桶和实验桶，开始下一轮考核周期
新的holdout桶与实验桶各种业务指标的diff接近0
随着召回、粗排、精排、重排实验上线和推全，diff会逐渐扩大

实验推全

若业务指标的diff显著正向，则可以推全实验。如重排策略实验，取一个桶作为实验组，一个桶作为对照组，实验影响了20%用户，若观测到显著正向的业务收益，则可以推全

把重排层实验关掉，把两个桶空出来给其他实验
推全时新开一层，新策略会影响全部90%用户
在小流量阶段，新策略会影响10%用户，会微弱提升实验桶和hold桶的diff
推全后，新策略作用到90%用户上，diff会扩大9倍
如ab测试发现新策略会提升点击率9个万分点，小流量实验只作用10%用户上，所以只能把跟holdout桶的diff提升1个万分点，推全后，理论上可以把diff提升到9个万分点，跟ab实验得到的结果一致

反转实验

有的指标（如点击、交互）立刻受到新策略影响，有的指标（留存）有滞后性，需要长期观测
实验观测到显著收益后需要尽快推全新策略。目的是腾出桶供其他实验开展，或需要基于新策略做后续的开发
用反转实验解决上述矛盾，既可以尽快推全，也可以长期观测实验指标
在推全的新层中开一个旧策略的桶，可以把反转桶保留很久，长期观测实验指标
一个考核周期结束之后，会清除holdout桶，会把推全新策略用到holdout用户上，不影响反转桶；当反转实验完成时，新策略会用到反转桶用户上，实验真正推全，对所有用户生效

分层实验：同层互斥（不允许两个实验同时影响同一位用户）、不同层正交（实验有重叠的用户）
Holdout：保留10%的用户完全不受实验影响，可以考虑整个部门对业务指标的贡献
实验推全：扩大到90%流量上，新建一个推全层，与其它层正交
反转实验：为了在尽早推全新策略的同时还能长期观测各种指标，在新的推全层上，保留一个小的反转桶，反转桶使用旧策略。反转桶可以保留很久，长期观测新旧策略的diff

（二）召回

1、基于物品的协同过滤（ItemCF）

ItemCF的原理

我喜欢看《笑傲江湖》，《笑傲江湖》与《鹿鼎记》相似，我没看过《鹿鼎记》——> 给我推荐《鹿鼎记》

推荐系统如何知道《笑傲江湖》与《鹿鼎记》相似？

基于知识图谱：
- 两本书的作者相同，故两本书相似
基于全体用户的行为：
- 看过《笑傲江湖》的用户也看过《鹿鼎记》
- 给《笑傲江湖》好评的用户也给《鹿鼎记》好评

ItemCF的实现

假设点击、点赞、收藏、转发四种行为各1分

逐一计算用户对候选物品的兴趣分数，返回分数高的topn个物品

物品相似度

两个物品的受众重合度越高，两个物品越相似

例如，喜欢《射雕英雄传》和《神雕侠侣》的读者重合度很高，可以认为它们相似

上述公式只要是喜欢就看作1，不喜欢就看作0，没有考虑用户喜欢的程度

考虑用户喜欢的程度，如点击、点赞、收藏、转发各自算1分，用户对物品的喜欢程度最多是4分

分子表示同时喜欢两个物品的用户v（如果兴趣分数的取值是0或1，那么分子就是同时喜欢两个物品的人数）
分母第一项表示用户对物品i1的兴趣分数，关于所有用户求连加，然后开根号
把一个物品表示成一个向量，向量每个元素表示一个用户，元素的值就是用户对物品的兴趣分数，两个向量的夹角的余弦就是这个公式

ItemCF的基本思想：根据物品的相似度做推荐

如果用户喜欢物品Item1，而且物品Item1和Item2相似
那么用户很可能喜欢物品Item2

预估用户对候选物品的兴趣：

计算两个物品的相似度：

把每个物品表示为一个稀疏向量，向量每个元素对应一个用户
相似度sim就是两个向量夹角的余弦

ItemCF召回的完整流程

为了能在线上实时推荐，必须要事先做离线计算，建立两个索引

事先做离线计算

建立 “用户->物品” 的索引：

记录每个用户最近点击、交互过的物品ID
给定任意用户ID，可以找到他近期感兴趣的物品列表

建立 “物品->物品” 的索引：

计算物品之间两两相似度
对于每个物品，索引它最相似的k个物品
给定任意物品ID，可以快速找到它最相似的k个物品

线上做召回

给定用户ID，通过 “用户->物品” 的索引，找到用户近期感兴趣的物品列表（last-n）
对于last-n列表中每个物品，通过“物品->物品” 的索引，找到top-k相似物品
对于取回的相似物品（最多有nk个），用公式预估用户对物品的兴趣分数
返回分数最高的100个物品，作为推荐结果（即ItemCF召回通道的输出，会跟其他召回通道的输出融合起来并排序，最终展示给用户）

索引的意义在于避免枚举所有的物品

记录用户最近感兴趣的n=200个物品
取回每个物品最相似的k=10个物品
给取回的nk=2000个物品打分（用户对物品的兴趣）
返回分数最高的100个物品作为ItemCF通道的输出

用索引，离线计算量大（需要更新2个索引），线上计算量小（不需访问上亿个物品）

如果取回的物品ID有重复的，就去重，并把分数加起来

ItemCF的原理：

用户喜欢物品i1，那么用户喜欢与物品i1相似的物品i2
物品相似度：
不是根据物品的内容判定物品相似，而是根据用户行为
如果喜欢i1、i2的用户有很大的重叠，那么i1与i2相似

ItemCF召回通道：

维护两个索引：
用户->物品列表：用户最近交互过的n个物品
物品->物品列表：相似度最高的k个物品
线上做召回：
利用两个索引，每次取回nk个物品
预估用户对每个物品的兴趣分数：
返回分数最高的100个物品，作为召回结果

2、Swing召回通道（ItemCF的变种）

与ItemCF非常像，区别就是如何定义物品的相似度

ItemCF：

ItemCF的问题：两篇笔记受众不同，但由于被分享到一个小圈子，导致很多用户同时交互过这两篇笔记。需要降低小圈子用户的权重

Swing模型即给用户设置权重，解决小圈子问题

α是个人工设置的参数；overlap为u1和u2的重叠，重叠大说明两个人是一个小圈子，对相似度的贡献应减小

Swing与ItemCF唯一的区别在于物品相似度

ItemCF：两个物品重合的用户比例高，则判定两个物品相似
Swing：额外考虑重合的用户是否来自一个小圈子
同时喜欢两个物品的用户记作集合v
对于v中的用户u1和u2，重合度记作overlap(u1, u2)
两个用户重合度大，则可能来自一个小圈子，权重降低

3、基于用户的协同过滤（UserCF）

UserCF原理

有很多跟我兴趣非常相似的网友，其中某个网友对某笔记点赞、转发，而我没看过这篇笔记，那么可能给我推荐这篇笔记

推荐系统如何找到跟我兴趣非常相似的网友呢？

点击、点赞、收藏、转发的笔记有很大的重合
关注的作者有很大的重合

UserCF实现

0代表用户没有看过物品，或对物品不感兴趣

用户相似度

用户有共同的兴趣点，即喜欢的物品有重合

上述公式同等对待热门和冷门的物品，需降低热门物品的权重

物品越热门， $n_l$ 越大，分子（即物品的权重）越小

UserCF的基本思想：

如果用户user1跟用户user2相似，而且user2喜欢某物品，那么用户user1也很可能喜欢该物品

预估用户user对候选物品item的兴趣：

计算两个用户的相似度：

把每个用户表示为一个稀疏向量，向量每个元素对应一个物品
如果用户对物品不感兴趣，向量元素为0；若感兴趣，元素为1，或1除以物品的热门程度
相似度sim就是两个向量夹角的余弦

UserCF召回的完整流程

为了能在线上实时推荐，必须要事先做离线计算，建立两个索引

事先做离线计算

建立 “用户->物品” 的索引：

记录每个用户最近点击、交互过的物品ID
给定任意用户ID，可以找到他近期感兴趣的物品列表

建立 “用户->用户” 的索引：

对于每个用户，索引他最相似的k个用户
给定任意用户ID，可以快速找到他最相似的k个用户

线上做召回

给定用户ID，通过 “用户->用户” 的索引，找到topk相似用户
对于每个top-k相似用户，通过 “用户->物品” 的索引，找到用户近期感兴趣的物品列表（last-n）
对于取回的nk个相似物品，用公式预估用户对每个物品的兴趣分数
返回分数最高的100个物品，作为召回结果

若取回的物品有重复的，去重，并把分数加起来

UserCF的原理：

用户u1跟用户u2相似，而且u2喜欢某物品，那么u1也可能喜欢该物品
用户相似度：
如果用户u1和u2喜欢的物品有很大的重叠，那么u1和u2相似
（分母是做归一化，让相似度分数介于0~1之间）

UserCF召回通道：

维护两个索引：
用户->物品列表：用户近期交互过的n个物品
用户->用户列表：相似度最高的k个用户
线上做召回：
利用两个索引，每次取回nk个物品
预估用户user对每个物品item的兴趣分数：
返回分数最高的100个物品，作为召回结果

--------------------------------------------- 分割线，上面都是协同过滤召回 ---------------------------------------

4、离散特征处理

协同过滤召回（以上内容）
向量召回（之后内容）

离散特征

如性别、国籍、英文单词、物品ID、用户ID

处理：

建立字典：把类别映射成序号
向量化：把序号映射成向量
- One-hot编码：把序号映射成高维稀疏向量，序号对应位置的元素为1，其他位置元素都是0
- Embedding：把序号映射成低维稠密向量

One-Hot编码

性别：男、女两种类别

字典：男->1，女->2
One-hot编码：用2维向量表示性别
- 未知 -> 0 -> [0, 0]
- 男 -> 1 -> [1, 0]
- 女 -> 2 -> [0, 1]

国籍：中国、美国、印度等200种类别

字典：中国->1，美国->2，印度->3，...
One-hot编码：用200维稀疏向量表示国籍
- 未知 -> 0 -> [0, 0, 0, 0, ..., 0]
- 中国 -> 1 -> [1, 0, 0, 0, ..., 0]
- 美国 -> 2 -> [0, 1, 0, 0, ..., 0]
- 印度 -> 3 -> [0, 0, 1, 0, ..., 0]

局限：类别数量太大时，通常不用one-hot编码

Embedding（嵌入）

把每个类别映射为一个低维的稠密向量

参数数量 = 向量维度 × 类别数量

设Embedding得到的向量都是4维的
一共有200个国籍
参数数量=800

编程实现：TensorFlow、Pytorch提供Embedding层

参数以矩阵的形式保存，矩阵大小是向量维度×类别数量
输入是序号，比如美国的序号是2
输出是向量，比如美国对应参数矩阵的第2列

两者联系

离散特征处理：One-hot编码、embedding

类别数量很大时，用embedding，如：

word embedding
用户ID embedding
物品ID embedding

------------------------------------------------- 分割线，下面都是向量召回 ------------------------------------------

5、矩阵补充（Matrix Completion）、最近邻查找

矩阵补充（Matrix Completion）是向量召回最简单的一种，已经不太常用，是为了帮助理解双塔模型

矩阵补充模型结构

输出是一个实数（用户对物品兴趣的预估值），越大表示用户对物品越感兴趣

左边的Embedding Layer：矩阵列的数量为用户数量，每一列都是向量a这样的对用户的表征
右边的Embedding Layer
两个Embedding Layer不共享参数

矩阵补充模型训练

（1）基本想法：

（2）数据集：是很多三元组的集合

（3）训练：让模型的输出拟合兴趣分数

(u, i, y)三元组是训练集中的一条数据，表示用户u 对物品i 的真实兴趣分数y
对目标函数求min，可以用随机梯度下降，每次更新A和B的一列

（4）直观解释：

拿绿色位置的数据训练模型，预估所有灰色位置的分数。给定一个用户，选出用户对应行中分数较高的物品，推荐给用户

矩阵补充的缺点

矩阵补充在实践中效果不好，在工业界不work

缺点1：仅用ID Embedding，没利用物品、用户属性
- 物品属性：类目、关键词、地理位置、作者信息
- 用户属性：性别、年龄、地理定位、感兴趣的类目
- 双塔模型可以看做矩阵补充的升级版，会结合物品属性和用户属性
缺点2：负样本的选取方式不对
- 样本：用户-物品的二元组，记作(u, i)
- 正样本：曝光之后，有点击、交互（正确的做法）
- 负样本：曝光之后，没有点击、交互（错误的做法）
缺点3：做训练的方法不好
- 内积 <au, bi> 不如余弦相似度
- 用平方损失（回归），不如用交叉熵损失（分类）

矩阵补充线上服务

模型存储：

训练得到矩阵A和B。A的每一列对应一个用户，B的每一列对应一个物品
把矩阵A的列存储到key-value表，key是用户ID，value是A的一列。给定用户ID，返回一个向量（用户Embedding）
矩阵B的存储和索引比较复杂，不能简单地用key-value存储

线上服务：

近似最近邻查找（Approximate Nearest Neighbor Search）

避免暴力枚举（暴力枚举计算量正比于物品数量），近似最近邻查找的结果未必最优，但不会比最优差多少

支持最近邻查找的系统：

系统：Milvus、Faiss、HnswLib，等
衡量最近邻的标准：
- 欧式距离最小（L2距离）
- 向量内积最大（内积相似度）：矩阵补充用的就是这个
- 向量夹角余弦最大（cosine相似度）：最常用，即夹角最小

有些系统不支持余弦相似度，可以把所有向量都做归一化，让它们的二范数等于1，那么内积就等于余弦相似度

在做线上服务前，把数据划分为很多区域：

cos相似度，划分结果为扇形
欧式距离，划分结果为多边形

划分后，每个区域用一个向量表示，这些向量的长度都是1。划分区域后，建立索引，key为每个区域的向量，value为区域中所有点的列表

首先计算用户a与索引向量的相似度，通过索引找出该区域内的所有点，再计算用户a与该区域所有点的相似度

矩阵补充：

把物品ID、用户ID做embedding，映射成向量
两个向量的内积<au, bi>作为用户u 对物品i 兴趣的预估
让<au, bi>拟合真实观测的兴趣分数，用回归的方式学习模型的embedding层参数
矩阵补充模型有很多缺点，效果不好。工业界不用矩阵补充，而是用双塔模型

线上召回：

把用户向量a作为query，查找使得<a, bi>最大化的物品i（内积最大的 top k 物品i）
暴力枚举速度太慢，实践中用近似最近邻查找
Milvus、Faiss、HnswLib等开源向量数据库支持近似最近邻查找

6、双塔模型（DSSM）

双塔模型可以看做是矩阵补充模型的升级

模型结构

用户离散特征：

所在城市、感兴趣的话题等：Embedding，不同的离散特征要用不同的Embedding层得到向量
性别：对类别数量很少的离散特征，用One-hot编码即可，可以不做Embedding

用户连续特征：年龄、活跃程度、消费金额

归一化：让特征的均值为0，标准差为1
有些长尾分布的连续特征需要特殊处理，如取log、分桶

神经网络可以是简单的全连接网络，也可以是更复杂的深度交叉网络

物品的表征类似处理

双塔模型使用了ID之外的多种特征作为输入，输出介于-1~1的余弦相似度（余弦相似度相当于先对两个向量做归一化，再求内积，比内积更常用）

正负样本的选择

正样本：历史记录显示用户喜欢的物品。如用户点击的物品
负样本：用户不感兴趣的物品
- 没有被召回的？
- 召回但是被粗排、精排淘汰的？
- 曝光但是未点击的？ —— 不能作为召回的负样本，可以作为排序的负样本

训练方法

pairwise：Jui-Ting Huang et al. Embedding-based Retrieval in Facebook Search. In KDD, 2020.（Facebook）

listwise：

Xinyang Yi et al. Sampling-Bias-Corrected Neural Modeling for Large Corpus Item

Recommendations. In RecSys, 2019.（YouTube）

pointwise：独立看待每个正样本、负样本，做简单的二元分类。即把正样本和负样本组成一个数据集，在数据集上做随机梯度下降训练双塔模型
pairwise：每次取一个正样本、一个负样本，组成一个二元组，损失函数为triplet hinge loss或triplet logistic loss
listwise：每次取一个正样本、多个负样本，组成一个list，训练方式类似于多元分类

pointwise训练

把召回看做二元分类任务
对于正样本，鼓励 cos(a,b) 接近+1
对于负样本，鼓励 cos(a,b) 接近-1
控制正负样本数量为1:2或者1:3（行业经验）

pairwise训练

输入一个三元组，用户的特征向量为a，两个物品的特征向量为b+和b-。两个物品塔共享参数

让用户对正样本的兴趣分数尽量高（最好接近+1），对负样本的兴趣分数尽量低（最好接近-1）

（1）Triplet Hinge Loss：孪生网络

（2）Triplet Logistic Loss：让cos(a, b-)尽量小，让cos(a,b+)尽量大

listwise训练

最大化正样本的余弦相似度，最小化负样本的余弦相似度

不适用于召回的模型

上图为粗排/精排的模型，不能应用于召回

前期融合，在进入全连接层之前就把特征向量拼起来了 —— 排序模型
双塔模型属于后期融合，两个塔在最终输出相似度时才融合 —— 召回模型

前期融合的模型不适用于召回，否则要把所有物品的特征挨个输入模型，预估用户对所有物品的兴趣，无法使用近似最近邻查找来加速计算。通常用于排序（从几千个物品中选出几百个）

双塔模型：

用户塔、物品塔各输出一个向量
两个向量的余弦相似度作为兴趣的预估值，越大，用户越有可能对物品感兴趣
三种训练方式：
pointwise：每次用一个用户、一个物品（可正可负）
pairwise：每次用一个用户、一个正样本、一个负样本。训练目标是最小化triplet loss，即让正样本余弦相似度尽量大，负样本余弦相似度尽量小
listwise：每次用一个用户、一个正样本、多个负样本。训练时用softmax激活+交叉熵损失，让正样本余弦相似度尽量大，负样本余弦相似度尽量小

正负样本

选对正负样本的作用 > 改进模型结构

正样本：

正样本：曝光而且有点击的用户-物品二元组（用户对物品感兴趣）
问题：二八法则，少部分物品占据大部分点击，导致正样本大多是热门物品。拿过多热门物品当正样本，会对冷门物品不公平，让热门更热、冷门更冷
解决方案：过采样冷门物品，或降采样热门物品
- 过采样（up-sampling）：一个样本出现多次
- 降采样（down-sampling）：一些样本被抛弃。如以一定概率抛弃热门物品，抛弃的概率与样本的点击次数正相关

负样本：用户不感兴趣的物品，或链路上每一步被淘汰的物品

简单负样本：未被召回物品

（1）全体物品：从全体物品中做非均匀抽样，作为负样本

未被召回的物品，大概率是用户不感兴趣的。几亿个物品里只有几千个被召回，故未被召回的物品 ≈ 全体物品

使用非均匀抽样，热门物品成为负样本的概率大

（2）batch内负样本

图中是一个batch内的样本。训练时要鼓励正样本的余弦相似度尽量大，负样本的余弦相似度尽量小

一个物品成为负样本的概率越大，模型对这个物品打压就会越狠

这样理解Batch内负样本的修正：p越小，-logp越大，softmax结果s更高。如果是正样本（s>0.5)，那导数会偏小（输出已经很接近正确标签，不希望模型做出太大的调整)；如果是负样本，那导数会偏大。就形成了对低频物品（p小）更强的负样本的倾向，相当于是放大了冷门负样本的梯度

-logp算是物品的先验，模型实际上是非常容易拟合先验的，所以要debias掉

注意，线上召回时，还是用原本的余弦相似度，不用做这种调整，不用减掉 logpi

困难负样本：粗排/精排淘汰

被粗排淘汰的物品（比较困难）
精排分数靠后的物品（非常困难）

训练双塔模型，其实是对正负样本做二元分类：

全体物品（简单）分类准确率高
被粗排淘汰的物品（比较困难）容易分错
精排分数靠后的物品（非常困难）更容易分错

训练数据

混合几种负样本，50%的负样本是从全体物品随机非均匀抽样得到（简单负样本），50%的负样本是没通过粗排精排的物品，即从粗/精排淘汰的物品中随机抽样得到（困难负样本）

常见的错误

选择负样本的原理：

召回的目标：快速找到用户可能感兴趣的物品，再交给后面的排序逐一甄别
- 全体物品（easy）：绝大多数是用户根本不感兴趣的
- 被排序淘汰（hard）：用户可能感兴趣，但是不够感兴趣。这样的负样本做分类时比较难以区分，所以是困难负样本
- 有曝光没点击（不能作为负样本）：用户感兴趣，可能碰巧没有点击【可以作为排序的负样本，不能作为召回的负样本】

正样本：曝光而且有点击的用户-物品二元组

简单负样本：

全体物品中做非均匀随机抽样
batch内负样本

困难负样本：被召回，但是被排序淘汰（跟正样本很像，做分类会有困难）

错误：曝光但是未点击的物品做召回的负样本。这类负样本只能用于排序，不能用于召回

线上服务/线上召回

训练好的两个塔，分别提取用户特征和物品特征

向量数据库存储物品特征向量和ID的二元组，用作最近邻查找
不要事先计算和存储用户向量。当用户发起推荐请求时，调用神经网络现算一个特征向量a，然后把向量a作为query，去向量数据库中检索查找最近邻

离线存储：把物品向量b存入向量数据库

完成训练之后，用物品塔计算每个物品的特征向量b
把几亿个物品向量b存入向量数据库，比如Milvus、Faiss、HnswLib
向量数据库建索引（把向量空间划分成很多区域，每个区域用一个向量表示），以便加速最近邻查找

线上召回：查找用户最感兴趣的k个物品

给定用户ID和画像，线上用神经网络算用户向量a
最近邻查找：把向量a作为query，调用向量数据库做最近邻查找，返回余弦相似度最大的k个物品，作为召回结果

事先存储物品向量b，线上现算用户向量a，为什么？

每做一次召回，用到一个用户向量a，几亿物品向量b（线上算物品向量的代价过大）
用户兴趣动态变化，而物品特征相对稳定（可以离线存储用户向量，但不利于推荐效果）

训练好双塔模型之后，在开始线上服务之前，先要做离线存储，在向量数据库建好索引之后，可以做线上召回

跟ItemCF、Swing、UserCF等召回通道的结果融合

模型更新

全量更新（天级别）

今天凌晨，用昨天全天的数据训练模型

在昨天模型参数的基础上做训练（不是随机初始化）
- 用昨天全天的数据（要先random shuffle打乱，然后打包成TFRecord）训练1个epoch，即每条数据只过一遍
训练完成后，发布新的用户塔神经网络（在线上实时计算用户向量，作为召回的query）和物品向量（存入向量数据库，向量数据库会重新建索引，在线上做最近邻查找），供线上召回使用
全量更新对数据流、系统的要求比较低
- 不需要实时的数据流，对生成训练数据的速度没有要求，延迟一两个小时也没关系。只需要把每天的数据落表，在凌晨做个批处理，把数据打包成TFRecord格式即可
- 每天只需要把神经网络和物品向量发布一次即可
只有做全量更新时才更新全连接层

增量更新（分钟级别）

做online learning更新模型参数，每隔几十分钟就要把新的模型参数发布出去，刷新线上的用户塔Embedding层参数

用户兴趣会随时发生变化
实时收集线上数据，做流式处理，实时生成训练模型用的TFRecord文件
对模型做online learning，梯度下降增量更新ID Embedding参数（不更新神经网络其他部分的参数，全连接层是锁住的，不做增量更新；只有全量更新会更新全连接层参数）
发布用户ID Embedding（哈希表），供用户塔在线上计算用户向量，可以捕捉用户最新的兴趣点。这个过程会有延迟，但可以被缩短到几十分钟

全量 vs 增量

今天凌晨的全量更新，是基于昨天凌晨全量训练出来的模型，而不是用下面增量训练出来的模型。在完成这次全量之后，下面增量训练出来的模型就可以扔掉了

能否只做增量更新，不做全量更新？

小时级数据有偏，统计值跟全天数据差别很大（不同时间段用户的行为不同）；分钟级数据偏差更大
全量更新： random shuffle （为了消除偏差）一天的数据，做 1 epoch 训练
增量更新：按照数据从早到晚的顺序，做 1 epoch 训练
随机打乱优于按顺序排列数据，全量训练优于增量训练

全量训练的模型更好，而增量训练可以实时捕捉用户的兴趣

双塔模型：

用户塔、物品塔各输出⼀个向量，两个向量的余弦相似度作为兴趣的预估值，越大越好

三种训练的方式：pointwise、pairwise、listwise

正样本：用户点击过的物品

负样本：从全体物品中随机抽样（简单负样本）、被排序淘汰的物品（困难负样本）

召回：

做完训练，把物品向量存储到向量数据库，供线上最近邻查找

线上召回时，给定用户ID、用户画像，调用训练好的用户塔神经网络现算用户向量a

把a 作为query，查询物品的向量数据库，找到余弦相似度最高的k个物品向量，返回k个物品ID

更新模型：定期全量+实时增量

全量更新：今天凌晨，用昨天的数据训练整个神经网络，做 1 epoch 的随机梯度下降（每条数据只用一遍）

增量更新：用实时数据训练神经网络，只更新 ID Embedding，锁住全连接层不更新

实际的系统：全量更新（每天） & 增量更新（实时）相结合。每隔几十分钟，发布最新的用户 ID Embedding，供用户塔在线上计算用户向量（好处：捕捉用户的最新兴趣点）

7、双塔模型+自监督学习

自监督学习：改进双塔模型的方法，能提升业务指标，目的是把物品塔训练的更好

双塔模型的问题

推荐系统的头部效应严重：
- 少部分物品占据大部分点击
- 训练双塔模型时用点击数据作为正样本，模型学习物品的表征靠的就是点击行为
- 大部分物品的点击次数不高
高点击物品的表征学得好，长尾物品的表征学的不好（长尾物品的曝光和点击次数太少，训练的样本数量不够）
自监督学习：对物品做data augmentation，更好地学习长尾物品的向量表征

双塔模型的训练（同时训练用户塔和物品塔）

用batch内负样本

一个batch内有n对正样本
组成n个list，每个list中有1对正样本和n-1对负样本

listwise训练

让模型给正样本打的分数尽量高，给负样本打的分数尽量低

损失函数：考虑batch内第i个用户和全部n个物品

纠偏

batch内负样本会过度打压热门物品，造成偏差。如果用batch内负样本，需要纠偏，使热门物品不至于被过分打压。训练结束，在线上做召回时，还是用原本的余弦相似度

训练双塔模型

i：第i个用户
n：batch内一共有n个用户

自监督学习（训练物品塔）

双塔模型的listwise训练方式，同时训练用户塔和物品塔
自监督学习训练物品塔

Tiansheng Yao et al. Self-supervised Learning for Large-scale Item Recommendations. In CIKM, 2021. 【Google】

尽管对应不同的特征变换，但同一物品的两个向量表征应有较高的相似度

不同物品的向量表征的分布应尽量分散开

如何变换物品特征

四种方法：

Random Mask（随机选一些离散特征，将它们的值换为default）
Dropout（仅对多值离散特征生效）
互补特征（将物品的多个特征随机分组，鼓励两组特征形成的物品表征向量相似）
Mask一组关联的特征（计算互信息来衡量特征两两之间的关联。随机选一个特征，mask该特征及其最相关的k/2种特征，其余保留）

（1）Random Mask

一个物品可以有多个类目

如果不做random mask，正常的特征处理方法是对数码和摄影分别做embedding，得到两个向量，再做求和或平均，得到一个向量，表征物品类目
如果对类目特征做mask，这个物品的类目特征就变成了default。default表示默认的缺失值，对default做embedding，得到一个向量表征类目。也就是说，做mask后，物品的类目特征直接被丢掉（数码和摄影都没了）

（2）Dropout（仅对多值离散特征生效）

多值离散特征：离散特征 + 一个物品可以有多个该特征的取值

random mask是对整个类目特征的取值都丢掉，dropout只丢掉类目特征取值的50%

（3）互补特征（complementary）

正常的做法是把四种特征的值分别做embedding，然后拼起来输入物品塔，最终得到物品的向量表征

（4）mask一组关联的特征

特征之间有较强的关联，遮住一个特征并不会损失太多的信息，模型可以从其他强关联特征中学到遮住的特征

两个特征关联越强，p(u,v)就比较大，它们的互信息就越大

好处：效果好，推荐的主要指标比random mask、dropout、互补特征等方法效果更好
坏处：方法复杂，实现的难度大，不容易维护（每添加一个新的特征，都需要重新计算所有特征的MI）

如何用变换后的特征训练模型

这里冷热门物品被抽样到的概率是相同的（注意跟训练双塔的区别。训练双塔得到的数据是根据点击行为抽样的，热门物品被抽到的概率大。双塔抽的是用户-物品二元组，这里只抽物品）

考虑batch中第i个物品的特征向量bi'，和全部m个物品的特征向量b''：

训练时希望向量si接近yi，说明物品塔训练的好，即使做随机特征变换，对物品的向量表征也影响不大。用yi和si的交叉熵作为损失函数

双塔模型存在的问题：

双塔模型学不好低曝光物品的向量表征（其实这是数据的问题，而不是双塔模型的问题。真实推荐系统都存在头部效应，小部分物品占据了大部分的曝光和点击）

Google提出一种自监督学习的方法，用在双塔模型上效果很好（低曝光物品、新物品的推荐变得更准）

对一个物品用两种特征变换，物品输出两个特征向量
同一物品的两个不同特征变换得到的向量应该有高相似度
不同物品应让物品的向量表征尽量分散在整个特征空间上

训练：

对点击做随机抽样，得到n对用户-物品二元组作为一个batch。这个batch用来训练双塔，包括用户塔和物品塔。根据点击做抽样，热门物品被抽到的概率高

从全体物品中均匀抽样，得到m个物品作为另一个batch。热门和冷门物品被抽到的概率是相同的，这个batch用来做自监督学习，只训练物品塔

做梯度下降使损失函数减小。α决定自监督学习起到的作用

8、Deep Retrieval召回

Deep Retrieval（字节）：

Weihao Gao et al. Learning A Retrievable Structure for Large-Scale Recommendations. In

CIKM , 2021.

TDM（阿里）： Han Zhu et al. Learning Tree-based Deep Model for Recommender Systems. In KDD , 2018.

经典的双塔模型把用户、物品表示为向量，线上做向量最近邻查找
Deep Retrieval把物品表征为路径（path），线上查找用户最匹配的路径，从而召回一批物品（类似于阿里的TDM，但更简单）

Deep Retrieval和TDM都用深度学习，但都不做向量最近邻查找

索引：关联路径和物品

L1~L3表示结构的3层（深度depth），每一层里面有K个节点（宽度width）

路径就是几个节点连接起来，路径可以有重合的节点

物品->路径的索引：训练神经网络时要用到

一个物品对应多条路径
用3个节点表示一条路径：path = [a,b,c]

路径->物品的索引：线上做召回时要用到

一条路径对应多个物品（给定一条路径，会取回很多个物品作为召回的结果）

预估模型-神经网络（寻找用户感兴趣的路径）

给定用户特征，预估用户对路径的兴趣分数（根据用户特征，召回多条路径）

预估用户对路径的兴趣：

假设结构有3层

过程：

如果结构的每一层有k个节点，那么p1就是一个k维向量
向量p1对应L1层，向量p1的k个元素是神经网络对L1层k个节点打的分。分数越高，节点就越有可能被选中（用Beam Search的方法。假设选中节点a）
向量x不变，直接作为下一层的输入，对节点a做embedding，与x做concat，输入另一个神经网络

假设根据向量p1，从k个节点中选出节点a。把向量x和节点a一起送入下一层神经网络，输出k维向量p2（对应结构中的第二层）
同理选出节点b，把向量x和节点a、b一起输入下一层神经网络。从3层中各选出一个节点，组成路径 [a,b,c]

线上召回：user->path->item

给定用户特征，召回一批物品

用Beam Search召回一批路径：

beam size（每层选的节点数量）越大，计算量越大，但同时search的结果也会越好（最简单的情况即beam size=1）

Beam Search相当于贪心算法，选中的节点分别最大化p1、p2、p3，但独立对p1、p2、p3求最大化，未必会最大化这三项的乘积

size大一些，结果会比贪心算法好一些，但计算量也变大

步骤：

第一步：给定用户特征，用神经网络做预估，用beam search召回一批路径
第二步：利用索引，召回一批物品
- 查看索引path->item（在线上做召回之前，线下已经把路径和物品匹配好了）
- 每条路径对应多个物品
第三步：对物品做排序，选出一个子集作为最终召回结果
- 用小的排序模型来打分排序，如双塔模型，防止物品超出召回通道的配额

离线训练（同时学习神经网络参数和物品表征）

神经网络可以判断用户对物品的兴趣，物品表征则是把物品映射到路径

训练时只用正样本，用户-物品二元组，只要用户点过物品就算正样本

学习神经网络参数

判断用户对路径有多感兴趣

学习物品表征

解释：图中的用户都点击过左边的物品，如果其中很多用户也对路径感兴趣（兴趣分数是神经网络预估出来的），我们就判断物品和路径有很强的关联，可以把路径作为物品的表征

最小化损失，相当于根据score对path做排序，排序结果的top j，即对于每个物品item，选择score最高的j条路径，作为物品的表征

为了防止非常多的物品集中在一条路径上的情况，希望每条path上的item数量比较平衡，需要用正则项约束path。如果某条path上已经有了很多item，这条path就会受到惩罚，避免关联到更多物品

物品与J条路径的相关性越高，损失函数就越小；正则reg控制路径l上的物品不要太多

交替训练神经网络和物品表征

训练神经网络时，把物品当做中介，将用户和路径关联起来

线上召回：用户->路径->物品（两阶段，先用神经网络寻找用户感兴趣的路径，路径长度与神经网络层数相关；再取回路径上的物品）

这里也说明了为什么要用正则项控制一条path上的item不能太多，否则有时候召回的物品数量会特别多，有时候会特别少

Deep Retrieval召回的本质是用路径作为用户和物品之间的中介

双塔模型召回的本质是用向量表征作为用户和物品之间的中介

离线训练：同时学习 用户-路径 和 物品-路径 的关系

避免让索引失去平衡

9、其他召回通道

地理位置召回

GeoHash召回（附近召回）

用户可能对附近发生的事感兴趣

GeoHash：对经纬度的编码（把经纬度编码为二进制哈希码），地图上一个长方形区域（以GeoHash作为索引，记录地图上一个长方形区域内的优质笔记）
索引：GeoHash -> 优质笔记列表（按时间倒排，即最新的笔记排在最前面）
召回时，给定用户的GeoHash，会取回这个区域内比较新的一些优质笔记

召回纯粹只看地理位置，完全不考虑用户兴趣（就是因为没有个性化，才需要考虑优质笔记。笔记本身质量好，即使没有个性化，用户也很可能会喜欢看；反之，既没有个性化，又不是优质笔记，召回的笔记大概率通不过粗精排）

同城召回

用户可能对同城发生的事感兴趣

根据用户所在城市和曾经生活过的城市做召回
索引：城市 -> 优质笔记列表（按时间倒排）

这条召回通道没有个性化

作者召回

关注的作者召回

用户对关注的作者发布的笔记感兴趣

索引：用户->关注的作者，作者->发布的笔记（按时间顺序倒排，新发布的笔记排在最前面）
召回：用户->关注的作者->最新的笔记

有交互的作者召回

即使没关注作者，如果推送有交互作者发布的笔记也可能会感兴趣而继续看

如果用户对某笔记感兴趣（点赞、收藏、转发），那么用户可能对该作者的其他笔记感兴趣

索引：用户->有交互的作者
召回：用户->有交互的作者->最新的笔记

作者列表需要定期更新，保留最新交互的作者，删除一段时间没有交互的作者

相似作者召回

如果用户喜欢某作者（感兴趣的作者包括用户关注的作者+用户有交互的作者），那么用户喜欢相似的作者。取回每个作者最新的一篇笔记

相似性的计算类似于ItemCF：如果两个作者的粉丝有很大重合，那么两个作者相似

缓存召回

想法：复用前n次推荐精排的结果（精排前50但是没有曝光的，缓存起来，作为一条召回通道）

精排输出几百篇笔记，送入重排；重排做多样性的随机抽样（如DPP），选出几十篇
精排结果一大半没有曝光，被浪费

问题：缓存大小固定（比如最多存100篇笔记），需要退场机制。有很多条规则作为退场机制，如

一旦笔记成功曝光，就从缓存退场
如果超出缓存大小，就移除最先进入缓存的笔记
笔记最多被召回10次，达到10次就退场
每篇笔记最多被保存3天，达到3天就退场

还能再细化规则，如想要扶持曝光比较低的笔记，那么可以根据笔记的曝光次数来设置规则，让低曝光的笔记在缓存中存更长时间

三大类、六条召回通道：

地理位置召回：用户对自己附近的人和事感兴趣
GeoHash召回、同城召回
作者召回：
关注的作者、有交互的作者、相似的作者
缓存召回：把精排中排名高、但是没有成功曝光的笔记缓存起来，再多尝试几次

10、曝光过滤 & Bloom Filter

曝光过滤通常在召回阶段做，具体的方法就是用Bloom Filter（给用户曝光过等价于用户看过）

曝光过滤问题

实验表明，重复曝光同一个物品会损害用户体验（抖音、小红书）；但YouTube这样的长视频就没有曝光过滤，看过的可以再推荐

在小红书，n和r的量级都是几千，暴力对比的计算量太大。实践中不做暴力对比，而是用Bloom Filter

Bloom Filter

判断一个物品ID是否在已曝光的物品集合中

如果判断为no，那么该物品一定不在集合中
如果判断为yes，那么该物品很可能在集合中（可能误伤，错误判断未曝光物品为已曝光，将其过滤掉）

概括一下：根据Bloom Filter的判断做曝光过滤，肯定能干掉所有已经曝光的物品，用户绝对不可能重复看到同一个物品；但是有一定概率会误伤，召回的物品明明没有曝光过，却被Bloom Filter给干掉了

Burton H. Bloom. Space/time trade-offs in hash coding with allowable

errors. Communications of the ACM, 1970.

Bloom Filter是一种数据结构

把物品集合表征为一个m维二进制向量（每个元素是一个bit，要么是0要么是1）
每个用户有一个曝光物品的集合，表征为一个向量，需要m bits的存储
有k个哈希函数，每个哈希函数把物品ID映射成介于 0~m-1 之间的整数
k和m都是需要设置的参数

最简单的情况：k=1（只有1个哈希函数）

如果Bloom Filter认为没有曝光，那么这个物品肯定没有曝光（不可能把已曝光的物品误判为未曝光）
如果Bloom Filter认为已曝光，有可能是正确的，有可能是误判（有一定概率把未曝光物品认为已曝光，导致未曝光物品被过滤掉）

k=3，用3个不同的哈希函数把物品ID映射到3个位置上，把3个位置的元素都置为1。同样地，如果向量的某个位置元素已经是1，不需要修改数值

如果物品已经曝光，那么其3个位置肯定都是1，如果其中某个位置为0，说明该物品实际未曝光

Bloom Filter误伤的概率：

用户历史记录上有n个曝光物品，只需要 m=10n bits，就可以把误差概率降低到1%以下

Bloom Filter缺点

只需要计算出k个哈希值（k是哈希函数的数量）

删除物品，不能简单把这个物品对应的k个元素从1改为0，否则会影响其他物品。这是因为向量的元素是所有物品共享的，如果把向量的一个元素改为0，相当于把很多物品都移除掉了。想要删除一个物品，需要重新计算整个集合的二进制向量

推荐系统的曝光过滤问题、Bloom Filter数据结构

（三）排序

1、多目标排序模型

排序的依据

以小红书为例，排序的主要依据是用户对笔记的兴趣，兴趣可以反映在用户与笔记的交互上。对于每篇笔记，系统记录以下统计量：

曝光次数（impression）：一篇笔记被展示给多少用户
点击次数（click）：一篇笔记被多少用户点开
点赞次数（like）
收藏次数（collect）
转发（share）

可以用点击率之类的消费指标衡量一篇笔记受欢迎的程度

点击率 = 点击次数 / 曝光次数
点赞率 = 点赞次数 / 点击次数（收藏率、转发率同理）。用户点开笔记之后才会发生点赞、收藏、转发等行为，故分母是点击次数，而不是曝光次数

排序依据：

在把笔记展示给用户之前，需要事先预估用户对笔记的兴趣（排序模型预估点击率、点赞率、收藏率、转发率等多种分数）；
融合这些预估分数，比如加权和（比如点击率的权重是1，点赞率、收藏率、转发率的权重是2），权重是做ab测试调出来的；
根据融合的分数做排序、截断，保留分数高的笔记

简单的多目标模型

排序模型的输入是各种各样的特征

用户特征：用户ID、用户画像
物品特征：物品ID、物品画像、作者信息（笔记的作者）
统计特征：
- 用户统计特征（用户在过去30天中一共曝光/点击...了多少篇笔记）
- 物品统计特征（候选物品在过去30天中一共获得了多少次曝光/点击...机会）
场景特征：随着用户请求传过来的，包含
- 当前时间（如当前是否是周末或节假日）
- 用户所在地点（候选物品和用户是否在同一城市）

输出4个预估值，都介于0~1之间，排序主要依靠这4个预估值

模型训练：

4个任务，每个任务都是一个二元分类，如判断用户是否会点击物品。用交叉熵损失函数

实际训练中会有很多困难，如类别不平衡（正样本少，负样本多）

每100次曝光，约有10次点击、90次无点击
每100次点击，约有10次收藏、90次无收藏

解决方案：负样本降采样（down-sampling）

保留一小部分负样本
让正负样本数量平衡，节约计算（比如原本一天积累的数据需要在集群上训练10h，做降采样后，负样本减少很多，训练只需3h）

预估值校准

给定用户特征和物品特征，用神经网络预估出点击率、点赞率等分数之后，要对这些预估分数做校准，做完校准之后才能把预估值用于排序

为什么要做校准？

α（采样率）越小，负样本越少，模型对点击率的高估就会越严重

Xinran He et al. Practical lessons from predicting clicks on ads at Facebook. In the 8th International Workshop on Data Mining for Online Advertising.

对预估点击率的校准公式：左边的 $p_{true}$ 表示校准之后的点击率，右边是对预估点击率 $p_{pred}$ 做的变换，α为采样率

在线上做排序时，首先让模型预估点击率 $p_{pred}$ ，然后用上述公式做校准，拿校准之后的点击率 $p_{true}$ 做排序的依据

排序的多目标模型，用于估计点击率、点赞率等指标。做完预估之后，要根据负采样率对预估值做校准

2、Multi-gate Mixture-of-Experts（MMoE）

模型结构

Google的论文提出MMoE模型：Jiaqi Ma et al. Modeling Task Relationships in Multi-task Learning with Multi-gate Mixture-of-Experts. In KDD, 2018.

模型的输入是一个向量，包含用户特征、物品特征、统计特征、场景特征

3个神经网络结构相同，都是由很多全连接层组成，但它们不共享参数
3个神经网络各输出一个向量，即3个“专家”（实践中通常用4个或8个。专家神经网络的数量是个超参数，需要手动调）

softmax输出向量的3个元素都＞0且相加为1
p1~p3分别对应3个专家神经网络，之后会将这3个元素作为权重，对向量x1~x3做加权平均。q1~q3同理

神经网络可以有一个或多个全连接层，其输出取决于具体的任务，比如输出对点击率的预估，是一个介于0~1之间的实数

这里假设多目标模型只有点击率和点赞率两个目标，所以只有两组权重。

对神经网络输出的向量做加权平均，用加权平均得到的向量去预估某个业务指标。若多目标模型有n个目标，就要用n组权重

MMoE问题：极化现象

YouTube的论文提出极化问题的解决方案：Zhe Zhao et al. Recommending What Video to Watch Next: A Multitask Ranking System. In RecSys, 2019.

softmax会发生极化（Polarization）：softmax输出值一个接近1，其余接近0

如左边softmax输出值 ≈ [0,0,1]，说明左边的预估点击率任务只使用了第三号专家神经网络（没有让三个专家神经网络的输出融合，只是简单使用了一个专家）

那么MMoE就相当于一个简单的多目标模型，不会对专家做融合，失去了MMoE的优势

解决极化问题：

如果有n个专家神经网络，那么每个softmax的输入和输出都是n维向量。不希望看到其中一个输出的元素接近1，其余n-1个元素接近0

在训练时，对softmax的输出使用dropout，这样会强迫每个任务根据部分专家做预测

softmax输出的n个数值被mask的概率都是10%
每个专家被随机丢弃的概率都是10%

如果用dropout，不太可能会发生极化，否则预测的结果会特别差。假如发生极化，softmax输出的某个元素接近1，万一这个元素被mask，预测的结果会错得离谱。为了让预测尽量精准，神经网络会尽量避免极化的发生，避免softmax输出的某个元素接近1。用了dropout，基本上能避免极化

用MMoE不一定会有提升，有可能是实现不够好，也有可能是不适用于特定的业务场景

3、预估分数的融合公式

多目标模型输出对点击率、点赞率等指标的预估。怎么融合多个预估分数？介绍工业界排序的几种融分公式

加权和

Pclick表示模型预估的点击率，权重为1；其他以此类推

Pclick*1就是预估的点击率，Pclick*Plike是曝光之后用户点赞的概率

海外某短视频APP的融分公式

Ptime是指预估短视频的观看时长（比如预测用户会观看10s），w1和α1都是超参数，通过线上ab选出合适的值

国内某短视频APP（快手）的融分公式

不是直接用预估的分数，而是用每个分数的排名

α和β都是需要调的超参数。预估的播放时长越长，排名越靠前， $r_{time}$ 越小，最终得分就越高

某电商的融分公式

指数α1~α4是超参数，需要调。若都为1，该公式就表示电商的营收，有很明确的物理意义

4、视频播放建模

播放时长&完播率2个指标

指标1：视频播放时长

图文笔记排序的主要依据：点击、点赞、收藏、转发、评论...
视频排序的依据还有播放时长和完播

视频播放时长是连续变量，但直接用回归拟合效果不好，建议用YouTube的时长建模

Paul Covington, Jay Adams, & Emre Sargin. Deep Neural Networks for YouTube Recommendations. In RecSys, 2016.

神经网络叫做Share Bottom（被所有任务共享），每个全连接层对应一个目标（比如点击、点赞、收藏、播放时长），这里只关心播放时长的预估：

对z（实数，可正可负）做sigmoid变换得到p=sigmoid(z)，让p拟合y = t / (1+t)（ t表示用户实际观看视频的时长，t越大，y也越大），训练中用p和y的交叉熵作为损失函数【训练完毕后，p就没有用了】

CE(y, p) = y*logp + (1-y)*log(1-p)

可以用exp(z)作为播放时长的预估【线上做推理时，只用z的指数函数，把它作为对播放时长t的预估】

总结一下，右边的全连接层输出z，对z做sigmoid变换得到p，在训练中用p；

用y（= t / (1+t)，其中t为播放时长）和p的交叉熵作为损失函数训练模型，训练完成后p就没有用了；

线上做推理时，只用z的指数函数，把它作为对播放时长t的预估

建模

实践中把分母1+t去掉也没问题，相当于给损失函数做加权，权重是播放时长

最终把exp(z)作为融分公式中的一项，它会影响到视频的排序

指标2：视频完播率

2种建模方法：回归；二元分类

回归方法

y的大小介于0~1之间

二元分类方法

需要算法工程师自己定义完播指标

预估的播放率会跟点击率等指标一起作为排序的依据

有利于短视频，而对长视频不公平

视频越长，函数值f越小，把调整之后的分数记作 $p_{finish}$ ，可以反映出用户对视频的兴趣，而且对长、短视频是公平的

$p_{finish}$ 与播放时长、点击率、点赞率等指标一起，决定视频的排序

视频的排序；视频有两个独特的指标：播放时长和完播率

5、排序模型的特征

排序所需特征

用户画像特征（User Profile）

召回和排序的模型中都有用户属性，用户属性记录在用户画像中

用户ID（在召回、排序中做embedding）
- 用户ID本身不携带有用的信息，但作用很大，通常用32 or 64维向量
人口统计学属性：性别、年龄等
账号信息：新老（用户注册时间）、活跃度...
- 模型需要专门针对新用户和低活用户做优化
感兴趣的类目、关键词、品牌
- 属于用户兴趣信息，这些信息可以是用户自己填写的，也可以是算法自动提取的

笔记画像特征（Item Profile）

物品ID（在召回、排序中作embedding）
发布时间（或者年龄）
- 在小红书，一篇笔记发布时间越久，价值就越低，尤其是强时效性话题
GeoHash（经纬度编码）、所在城市
- GeoHash表示地图上一个长方形的区域
标题、类目、关键词、品牌...
- 笔记的内容，通常对这些离散的内容特征做Embedding
字数、图片数、视频清晰度、标签数...
- 笔记自带的属性，反映出笔记的质量，笔记的点击和交互指标与之相关
内容信息量、图片美学...
- 算法打的分数，事先用人工标注的数据训练cv和nlp模型，当新笔记发布时，用模型给笔记打分，把分数写到物品画像中，可以作为排序模型的特征

统计特征（用户/笔记）

（1）用户统计特征：

用户最近30天（7天、1天、1小时）的曝光数、点击数、点赞数、收藏数…
- 用各种时间粒度，可以反映出用户的实时兴趣、短期兴趣和中长期兴趣
按照笔记图文/视频分桶（比如最近7天，该用户对图文笔记的点击率、对视频笔记的点击率）
- 对图文、视频两类笔记分开做统计，可以反映出用户对两类笔记的偏好
按照笔记类目分桶（比如最近30天，用户对美妆笔记的点击率、对美食笔记的点击率、对科技数码笔记的点击率）

（2）笔记统计特征：

笔记最近30天（7天、1天、1小时）的曝光数、点击数、点赞数、收藏数…
- 统计量反映出笔记的受欢迎程度。如果点击率、点赞率等指标都很高，说明笔记质量高，算法应该给这样的笔记更多的流量
- 时间粒度是针对笔记的实效性。若笔记已经过时（如30天指标高，但1天指标低），不应该给更多的流量
笔记受众：按照用户性别、年龄、地域分桶
作者特征：发布笔记数、粉丝数、消费指标（曝光数、点击数、点赞数、收藏数）
- 作者统计特征反映了作者的受欢迎程度以及作品的平均品质

场景特征（Context）

随着推荐请求传来的，不用从用户画像、笔记画像等数据库中获取

用户定位GeoHash （经纬度编码）、城市
- 用户可能对自己附近的事感兴趣
当前时刻（分段，做embedding）
- 一个人在同一天不同时刻的兴趣可能有所区别
是否是周末或节假日
- 周末或节假日用户可能对特定的话题感兴趣
手机品牌、手机型号、操作系统
- 安卓or苹果

特征处理

离散特征：做embedding

用户ID、笔记ID、作者ID（数量大，消耗内存大）
类目、关键词、城市、手机品牌

连续特征：做分桶，变成离散特征

年龄（如把连续的年龄变为十个年龄段，做one-hot或Embedding）、笔记字数、视频长度

连续特征：其他变换

曝光数、点击数、点赞数等数值做log(1+x)，可以解决异常值问题
- 曝光数等（大多数笔记只有几百次，少数笔记能有上百万次）为长尾分布，计算会出现异常（训练梯度会很离谱，推理的预估值会很奇怪）
或者把点击数、点赞数等转化为点击率、点赞率等值，并做平滑（去掉偶然性造成的波动）
实际处理中，两种变换之后的连续特征都会作为模型的输入，如log(1+点击数）、平滑之后的点击率都会被用到

特征覆盖率

特征工程需要注重特征覆盖率

理想情况下，每个特征都能覆盖100%样本，即不存在特征缺失
但实际很多特征无法覆盖100%样本，例：
- 很多用户不填年龄，因此用户年龄特征的覆盖率远小于100%
- 很多用户设置隐私权限，APP不能获得用户地理定位，因此场景特征有缺失

提高特征覆盖率，可以让精排模型更准；另外还要考虑，当特征缺失时，用什么作为默认值

数据服务（线上服务的简化版系统架构）

用户画像（User Profile）
物品画像（Item Profile）
统计数据

以上3个数据源都存储在内存数据库中。线上服务时，排序服务器会从3个数据源取回所需的数据，然后把读取的数据做处理，作为特征喂给模型，模型就能预估出点击率、点赞率等指标

当用户刷小红书时，用户请求会被发送到推荐系统的主服务器上，主服务器会把请求发送到召回服务器上。做完召回后，召回服务器会把几十路召回的结果做归并，把几千篇笔记的ID返回给主服务器（召回需要调用用户画像）

主服务器把笔记ID、用户ID、场景特征（1个用户ID+几千个笔记ID。笔记ID是召回的结果，用户ID和场景特征都是从用户请求中获取的，场景特征包括当前时刻、用户所在地点以及手机的型号和操作系统）发送给排序服务器

接下来，排序服务器要从多个数据源中取回排序所需的特征，主要是这3个数据源：用户画像、物品画像、统计数据

用户画像数据库线上压力小，因为每次只读1个用户的特征
- 性别、年龄几乎不变
- 用户活跃度、兴趣标签等为天级别的刷新
物品画像数据库压力大，因为粗排要给几千篇笔记排序，读取几千篇笔记的特征
- 物品自身属性、算法给物品打的标签在很长一段时间内不会发生变化

对用户画像和物品画像最重要的是读取速度快，而不太需要考虑时效性，因为它们都是静态的，甚至可以储存在排序服务器本地，让读取变得更快

统计数据：存用户统计值的数据库压力小，存物品统计值的数据库压力大
- 统计数据不能在本地缓存，因为它动态变化，时效性很强

在收集到排序所需的特征之后，排序服务器把特征打包传给TF Serving。TensorFlow会给笔记打分，把分数返回给排序服务器，排序服务器会用融合的分数、多样性分数、业务规则给笔记排序，把排名最高的几十篇笔记返回给主服务器，这就是最终给用户曝光的笔记

6、粗排模型

粗排 vs 精排

粗排牺牲准确性，以保证线上推理的速度快（目的是做初步筛选，从几千篇笔记中选出几百篇，而不是真正决定把哪些笔记曝光给用户）；精排的模型足够大，牺牲更多的计算，确保预估的准确性足够高

精排模型 & 双塔模型

Shared Bottom含义为被多个任务共享【精排模型的代价主要在这，因为它很大，神经网络也很复杂】

精排模型属于前期融合（先对所有特征做concatenation，再输入神经网络），但线上推理代价大（如果有n篇候选笔记，整个大模型要做n次推理）

两个向量的余弦相似度表明用户是否对物品感兴趣

在训练好模型之后，把物品向量b存储在向量数据库，在线上不需要用物品塔做计算。线上推理只需要用到用户塔，每做一次推荐，用户塔只做一次推理，计算出一个向量a【双塔模型的计算代价很小，适合做召回】

双塔模型属于后期融合（把用户、物品特征分别输入不同的神经网络，不对用户、物品特征做融合，直到最后才计算a和b的相似度），线上计算量小（用户塔只需要做一次线上推理，计算用户表征a；物品表征b事先储存在向量数据库中，物品塔在线上不做推理），但预估准确性不如精排模型

粗排的三塔模型

小红书的粗排是三塔模型，效果介于双塔和精排之间

借鉴【阿里妈妈】Zhe Wang et al. COLD: Towards the Next Generation of Pre-Ranking System. In DLP- KDD , 2020

交叉特征是指用户特征和物品特征做交叉

训练粗排模型的方法就是正常的端到端训练，跟精排完全一样

三塔模型介于前期融合（把底层特征做concatenation）和后期融合之间，是把三个塔输出的向量做concatenation

物品的属性相对比较稳定，可以把物品塔输出向量缓存在PS，每隔一段时间刷新一次。由于做了缓存，物品塔在线上几乎不用做推理，只有遇到新物品时才需要做推理。粗排给几千个物品打分，物品塔实际只需要做几十次推理，所以物品塔的规模可以比较大
统计特征会实时动态变化（每当一个用户发生点击等行为，其统计特征都发生变化；每当一个物品获得曝光和交互，其点击次数、点击率等指标都会发生变化）。由于交叉塔的输入会实时发生变化，不应该缓存交叉塔输出的向量，交叉塔在线上的推理避免不掉，故交叉塔必须足够小、计算够快（通常来说交叉塔只有一层，宽度也比较小）

模型的上层结构：

模型上层做n次推理，代价大于交叉塔的n次推理

三塔模型的线上推理

物品塔输出的向量事先缓存在Parameter Server上，只有当没有命中缓存时，才需要物品塔做推理（实际上缓存命中率非常高，99%的物品都能命中缓存，不需要做推理。给几千个候选物品做粗排，物品塔只需要做几十次推理）
交叉塔的输入都是动态特征，不能做缓存
三个塔各输出一个向量，融合起来作为上层网络的输入

粗排大部分的计算量都在上层网络