Personalized Re-ranking for Recommendation(ResSys'19)

說起排序，對排序的認知還停留在召回階段召回的item經過粗排過濾，剩下較少的item在精排中打分，按epcm或者其他策略挑選出最終要曝光的item。重排是一種考慮到推薦items之間關系和影響的排序模式，常規的推薦系統僅僅考慮<user, item>對的角度，并不會考慮items間作為一個list進行推薦之后的互相影響。

舉個例子，排序模型往往都是point-wise的，一個DNN加豐富的user/item/上下文特征預估點擊率，在召回的100個item候選集中排序取出Top10的item進行推薦展示。但是，在實際情況里，這10個item展示給用戶時是會相互影響的，這樣就導致排序模型線下預估與線上實際點擊情況之間是有偏差的。

那么，產生這種情況的原因是什么呢？

首先是我們在排序階段并沒有考慮到item之間的影響，其次用戶對不同場景（或者邏輯）下看到的item list的反饋是不同的。比如，在信息流場景中，如果展示的20個內容中有同一主題（理財科普），對于有點擊意圖的用戶，類似的內容排在一起時，用戶點擊顏值較高或者知名大V的內容的概率會增大；對于沒有點擊意圖的用戶，展示給用戶更加多樣性的內容，更適合用戶去探索與發現，這時推薦的多樣性就變得更重要了。

Re-rank模型將常規rank模型的輸出作為模型輸入，強化item之間的關系以及item與用戶的關系進行One more time排序。對于不同用戶來說，list中item的分布應該具有比較大的差異。

PRM的模型結構，是一個比較傳統的multi-head結構，輸入Initial List是一個精排模型輸出的推薦集合，然后依次經過輸入層, 編碼層和輸出層三部分后，輸出的Re-ranked List是重排序。

編碼層目標在于整合對列表中物品的相互影響，以及用戶行為和列表中物品的相互影響。這里利用Transformer中self-attention結構來實現任意兩個Item的交叉，從而獲得Item互相間的影響。

在Attention中， Query，Key和Value都是同一個輸入的embedding矩陣，然后經過Multi-Head Attention。公式如下：

經過FFN增強模型和輸入向量不同維度之間的交互，將多個Attention進行stack，組合成更復雜和更高維的交互信息。

經過FFN增強模型和輸入向量不同維度之間的交互，將多個Attention進行stack，組合成更復雜和更高維的交互信息。

最后，以點擊預估作為目標，通過Softmax和Cross-entropy進行訓練后通過Score排序依次展示給用戶。

其中D是展示給用戶的items集合，y是用戶是否點擊。

我們知道，最常見的考慮時序性的模型是RNN和Transformer，所以經常把這兩類模型用在重排模塊，這是很自然的事情。一般的做法是：排序Top結果的物品有序，作為RNN或者Transformer的輸入，RNN或者Transformer明顯可以考慮在特征級別，融合當前物品上下文，也就是排序列表中其它物品，的特征，來從列表整體評估效果。RNN或者Transformer每個輸入對應位置經過特征融合，再次輸出預測得分，按照新預測的得分重新對物品排序，就完成了融合上下文信息，進行重新排序的目的。

除了本篇Re-Rank文章之外，煉丹筆記還分享了《Revisit Recommender System in the Permutation Prospective》一文，論文提出了兩階段的重排序框架PRS(Permutation Retrieve System)，分別是PMatch階段和PRank階段，

PMatch一句話總結就是，把上百個item的排列都給list-wise模型預估排列分不現實，PMatch負責挑選出候選的排列。

PRank就比較簡單了，先離線訓練一個模型，該模型輸入是一個長度為n的序列 (x1, x2, ..., xn)，然后輸入到Bi-LSTM里，就會得到n個隱向量，每個隱向量concat用戶特征和序列中每個item的原始特征，過mlp預測點擊率即可。

沒什么是一次排序解決不了的，如果有，那就One more time

更多干貨，請關注公眾號：煉丹筆記

總結

以上是生活随笔為你收集整理的没什么是一次排序解决不了的，如果有，那就One more time的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。