https://www.infoq.cn/article/g95hu67a4WheikGu*w9K

本次分享主題主要從以下是三個(gè)方面展開：

• 知乎推薦頁(yè)場(chǎng)景和 Ranking 歷程介紹；

• 深度學(xué)習(xí)在 Ranking 中的嘗試和應(yīng)用現(xiàn)狀；

• Ranking 面臨的問(wèn)題和未來(lái)研究方向。

首先大家看一下知乎 APP 的推薦頁(yè)的推薦結(jié)果，由于單厚智老師對(duì)機(jī)器學(xué)習(xí)比較感興趣，所以推薦內(nèi)容大部分和機(jī)器學(xué)習(xí)相關(guān)。

一、推薦頁(yè)請(qǐng)求流程

1、 召回：負(fù)責(zé)將用戶可能感興趣的內(nèi)容提取出來(lái)，重點(diǎn)是全。

• 基于話題：獲取用戶的關(guān)注數(shù)據(jù)，用戶行為挖掘；

• 基于內(nèi)容：協(xié)同過(guò)濾的方式。

2、排序：負(fù)責(zé)對(duì)召回的內(nèi)容進(jìn)行打分，可以理解為感興趣程度，重點(diǎn)是準(zhǔn)。

• 基于規(guī)則：時(shí)間順序，線性加權(quán)；

• 基于模型：GDBT，DNN。

3、重排序：出于產(chǎn)品或業(yè)務(wù)的考慮，對(duì)排序的內(nèi)容進(jìn)行重排，最終展示給用戶。

• 提權(quán)：比如給視頻進(jìn)行一定的提權(quán)；

• 隔離：相似內(nèi)容隔開；

• 強(qiáng)插：高質(zhì)量的新內(nèi)容流通。

以上就是知乎推薦頁(yè)的整體架構(gòu)流程，下面針對(duì) Ranking 模塊做詳細(xì)講解。

首先介紹一下推薦頁(yè) Ranking 的演進(jìn)歷程, 如下圖所示，Ranking 的演進(jìn)主要經(jīng)歷了四個(gè)階段。

按照時(shí)間排序

• 按照用戶的行為，比如關(guān)注，動(dòng)態(tài)等，并根據(jù)時(shí)間進(jìn)行排序；

• 它的問(wèn)題是沒(méi)有考慮到親密度或者感興趣的程度。

EdgeRank 算法

該算法借鑒 Facebook 的 EdgeRank 算法，根據(jù)用戶親密度進(jìn)行排序。

Feed Ranking

采用 GDBT 模型。

Global Ranking

深度學(xué)習(xí)模型，DNN 等。

模型的選擇主要有以下方面的考量：

• 深度學(xué)習(xí)大趨勢(shì)；

• 能處理更高維度特征，如幾十萬(wàn)話題量級(jí)，GBDT 無(wú)法完成訓(xùn)練；

• 非線性模型，不必做大量的特征組合；

• 使用 GPU + HDFS 結(jié)構(gòu)，可以訓(xùn)練更多的樣本。

二、特征介紹

我們的特征按照內(nèi)容進(jìn)行劃，可分為如下分三類：

1、用戶畫像特征

• 用戶屬性特征: 性別等；

• 統(tǒng)計(jì)特征：用戶點(diǎn)贊數(shù)等。

2、 內(nèi)容畫像

• 固有特征：文章長(zhǎng)度，關(guān)鍵詞等；

• 統(tǒng)計(jì)特征：歷史點(diǎn)贊數(shù)等。

3、交叉特征

• 用戶與內(nèi)容的交叉特征: 比如用用戶感興趣的話題和當(dāng)前待推薦內(nèi)容的話題交叉。

特征的形式主要有以下幾個(gè)方面：

• 數(shù)值特征：文章長(zhǎng)度，點(diǎn)贊數(shù)；

• Onehot：比如，內(nèi)容類型；

• Multihot：內(nèi)容多個(gè)話題 id；

• Onehot with value：用戶對(duì)單類型內(nèi)容的感興趣程度；

• Multihot with value ：用戶對(duì)各話題的感興趣程度。

三、特征設(shè)計(jì)

設(shè)計(jì)原則：

• 特征盡量全：從現(xiàn)有的數(shù)據(jù)中提取盡可能多的特征；

• 特征原始值全：比如加歷史 CTR 特征的時(shí)候，可以把 pv 和 click 都帶上；

• 覆蓋率大：去掉一些覆蓋率很低的特征，這些特征影響影響范圍小，大部分是缺失值；

• 線上線下一致：覆蓋率和取值分布盡可能接近。

新特征方向：

• 顯式交叉特征：DNN 能學(xué)習(xí)特征的非線性能力，增加交叉特征可以降低模型搜索的空間，在訓(xùn)練數(shù)據(jù)一定的情況下可以提升效果，如用戶的話題興趣和當(dāng)前話題的均值和最大值，效果提升明顯；

• 出于業(yè)務(wù)考慮：需要對(duì)業(yè)務(wù)有一定的理解，把自己當(dāng)做用戶，考慮什么情況下點(diǎn)擊率會(huì)大，什么樣的內(nèi)容更容易被用戶點(diǎn)，比如視頻在 wifi 下更容易被點(diǎn)，視頻點(diǎn)擊率高的人更喜歡視頻；

• 數(shù)據(jù)挖掘特征：如內(nèi)容 Embedding 特征。

3.1 內(nèi)容 Embedding

• Embedding 目的：把內(nèi)容映射到低緯空間，相似內(nèi)容距離較近，可以當(dāng)做內(nèi)容特征；

• 文本角度：tfidf，關(guān)鍵詞進(jìn)行 word2vec 等；

• 行為角度：考慮用戶在知乎的行為，搜索內(nèi)容相關(guān)性較好，依據(jù)搜索點(diǎn)擊序列設(shè)計(jì) Embedding。

實(shí)現(xiàn)細(xì)節(jié)

• 數(shù)據(jù)：將搜索行為進(jìn)行 session 切分，組織成類似于 sentence 序列；

• 樣本：85 億；

• 模型：skip-gram；

• loss：nce-loss。

該方法借鑒 word2vec 的原理, 通過(guò)“詞”去預(yù)測(cè)“上下文”，這里面的“詞”就是 itemId，“上下文”就是指在點(diǎn)擊該 Item 事件前后，固定窗口下其他 Item 的 Id 信息。

之所以通過(guò)搜索行為構(gòu)建序列，是因?yàn)樗阉魇菍儆凇皬?qiáng)目的”的，并且搜索結(jié)果內(nèi)容相似。

下圖是模型的訓(xùn)練結(jié)果，從結(jié)果可以看出，這些內(nèi)容大體相似。

四、CTR 模型

選擇模型的原因：

1、推薦頁(yè)排序目標(biāo)是把用戶推薦感興趣的內(nèi)容排在前面，可有下面兩個(gè)學(xué)習(xí)目標(biāo)：

• 停留時(shí)長(zhǎng)：適合用回歸問(wèn)題來(lái)解決，最后會(huì)偏向于長(zhǎng)文章；

• 點(diǎn)擊率：二分類問(wèn)題，知乎的問(wèn)答一般不長(zhǎng)，更加合適。

2、分類問(wèn)題相比回歸問(wèn)題，目標(biāo)類別少，相對(duì)準(zhǔn)確率高；

3、分類問(wèn)題場(chǎng)景業(yè)界應(yīng)用較廣，可交流空間大；

4、分類問(wèn)題最后會(huì)輸出一個(gè)概率分，方便與多目標(biāo)結(jié)合。

損失函數(shù)采用交叉熵：

4.1 最初 DNN 結(jié)構(gòu)

• 將輸入特征分為用戶和內(nèi)容兩塊；

• 經(jīng)過(guò)特征映射后分別通過(guò)全連接與兩個(gè)獨(dú)立的隱含層連接；

• 兩個(gè)獨(dú)立的隱含層 cancat 后再經(jīng)過(guò)兩個(gè)全連接層；

• 最后輸出 sigmoid 與交叉熵?fù)p失作為 loss。

結(jié)果：這一版模型的 AUC 為 0.7618

4.2 優(yōu)化 DNN 結(jié)構(gòu)

• 將用戶和內(nèi)容的特征，分別按照內(nèi)容的 field 分為不同的 block；

• 每個(gè) block 先經(jīng)過(guò)全連接到獨(dú)立的隱含層；

• 將上面的隱含層 concat 再經(jīng)過(guò)后面的 DNN 模型。

結(jié)果：AUC：0.7678，提升 0.6%

4.3 Deep FM

• 增加了一階和 FM 模塊，FM 通過(guò) block 之間的內(nèi)積實(shí)現(xiàn)；

• AUC 提升 0.2%。

該 DeepFM 算法與華為設(shè)計(jì)的 DeepFM 不同，改模型將 FM 層的結(jié)果作為 DNN 的輸入。

4.4 Last View + DIN

• Last view topic 與當(dāng)前內(nèi)容的幾個(gè) topic 計(jì)算 Attention Score，再按權(quán)重進(jìn)行 sum pooling；

• AUC 提升約 0.2%。

我們基于的考慮是用戶過(guò)去點(diǎn)擊的內(nèi)容肯定對(duì)他 2 將要點(diǎn)擊的內(nèi)容產(chǎn)生動(dòng)態(tài)影響，這個(gè)模型參考了阿里的 DIN 模型，它會(huì)把用戶看過(guò)的東西 Embedding，然后根據(jù) Attention Score 再乘起來(lái)，我們的做法有所不同，我們是基于 Topic，是過(guò)去用戶看過(guò)那些 Topic 下的內(nèi)容進(jìn)行劃分。

4.5 Last Display + GRU

根據(jù) 4.4 的思想，過(guò)去點(diǎn)擊的行為對(duì)現(xiàn)在能夠產(chǎn)生影響，那么同理，過(guò)去展示的內(nèi)容中沒(méi)有點(diǎn)擊的內(nèi)容對(duì)當(dāng)下的點(diǎn)擊行為同樣會(huì)產(chǎn)生影響，所以這里面增加了 Last Display(包括點(diǎn)擊和沒(méi)點(diǎn)擊的所有數(shù)據(jù))。

• Last Display 經(jīng)過(guò) Embedding 后與是否點(diǎn)擊結(jié)合，再進(jìn)入 GRU 模塊，最后狀態(tài)當(dāng)做 DNN 輸入；

• AUC 提升約 0.4%。

4.6 多目標(biāo)

之前所有的模型都是基于 CTR 為導(dǎo)向來(lái)進(jìn)行設(shè)計(jì)的，但是這樣用戶的負(fù)反饋可能會(huì)比較多一些，因?yàn)橐恍╅L(zhǎng)尾的內(nèi)容，或者大眾化的內(nèi)容會(huì)比較多，影響用戶的體驗(yàn)。

后來(lái)考慮設(shè)計(jì)一個(gè)多目標(biāo)模型，一個(gè)是基于點(diǎn)擊率的模型，一個(gè)是基于收藏率的模型，基于點(diǎn)贊率，基于評(píng)論率等等，一共設(shè)計(jì) 8 個(gè)目標(biāo)。

從性能方面的考慮，我們將底層權(quán)重設(shè)置成共享的, 最后一層會(huì)根據(jù)不同的目標(biāo)進(jìn)行權(quán)重的訓(xùn)練。

主要分為以下步驟：

o 每個(gè) task 共享前面的幾層權(quán)重，可以節(jié)省訓(xùn)練和預(yù)測(cè)的計(jì)算量；

o Loss 可以是幾個(gè) task 的 loss 做簡(jiǎn)單線性加權(quán)；

o 上線仍然要確定各個(gè) ctr 的加權(quán)值，經(jīng)驗(yàn)比較重要；

o 上線后線上表現(xiàn)：點(diǎn)擊率基本不變，而其他的幾個(gè)指標(biāo)，比如點(diǎn)贊，收藏大幅提升。

4.7 最終模型結(jié)構(gòu)

綜合以上模型的優(yōu)點(diǎn)，最終設(shè)計(jì)出如上圖所示的模型。

五、經(jīng)驗(yàn)分享

1、對(duì)于隨時(shí)間變化的統(tǒng)計(jì)特征，比如用戶和內(nèi)容畫像的統(tǒng)計(jì)值，線上 service 應(yīng)當(dāng)紀(jì)錄請(qǐng)求時(shí)的值，生成訓(xùn)練樣本時(shí)直接從紀(jì)錄的日志里獲取，避免特征穿越問(wèn)題；

2、如果發(fā)現(xiàn)線下效果好，比如 AUC 和 NDCG 提升明顯，但上線效果不顯著，很可能是特征不一致導(dǎo)致的，可重點(diǎn)排查；

3、線上線下最好使用同一套特征抽取框架，只需使用的相同特征配置便可保證一致性，我們 Global Ranking 使用同一套 proto 結(jié)構(gòu)和特征抽取模塊實(shí)現(xiàn)；

4、做特征歸一化操作，發(fā)現(xiàn)有特別大的值，比如幾萬(wàn)或者幾十萬(wàn)，要先取 log ，不然會(huì)導(dǎo)致這個(gè)特征大部分值都趨向 0，相當(dāng)于征失效；

5、 輸入特征要做非法檢查，防止出現(xiàn) inf，nan，而導(dǎo)致模型訓(xùn)練出現(xiàn)異常的參數(shù)；

6、對(duì)于線上的每次請(qǐng)求，用戶特征都是一樣的，可以只計(jì)算一遍用戶特征相關(guān)的 block，避免冗余運(yùn)算；

7、訓(xùn)練數(shù)據(jù)量要盡可能大，可以使用 FlatBuffer 結(jié)構(gòu)把訓(xùn)練數(shù)據(jù)存放在 HDFS 上，訓(xùn)練時(shí)直接從 HDFS 讀取，邊讀取邊訓(xùn)練；

8、線上模型要能自動(dòng)更新，過(guò)老的模型效果下降嚴(yán)重。

六、面臨問(wèn)題

1、推薦頁(yè)與搜索頁(yè)的特性不同

• 搜索帶著 query 來(lái)的，結(jié)果與之相關(guān)性越高越好，不用太關(guān)心結(jié)果的多樣性；

• 推薦頁(yè)用戶沒(méi)有明確的目的，但是有興趣偏好和對(duì)結(jié)果的多樣性需求，推薦既要準(zhǔn)確又要多樣化。

2、CTR 預(yù)估模型是 pointwise 模型，沒(méi)有考慮單個(gè)內(nèi)容與其他內(nèi)容同時(shí)出現(xiàn)的影響。

3、用戶對(duì)感興趣的東西會(huì)出現(xiàn)審美疲勞，要及時(shí)抓住這種特點(diǎn)，比如一個(gè)算法工程師看完幾個(gè)機(jī)器學(xué)習(xí)文章后就不想再看了，這時(shí)候要能推薦一些其他話題的內(nèi)容。

七、未來(lái)方向

1、強(qiáng)化學(xué)習(xí)

• Actor：根據(jù)用戶過(guò)去的瀏覽和點(diǎn)擊行為生成推薦頁(yè)整屏結(jié)果；

• Critic：接收到點(diǎn)擊或者其他正向行為作為 reward，同時(shí)訓(xùn)練 Critic 和 Actor 網(wǎng)絡(luò)參數(shù)。

2、優(yōu)點(diǎn)

• 能及時(shí)捕捉用戶的反饋，從而避免對(duì)同一話題產(chǎn)生審美疲勞；

• 推薦整屏幕內(nèi)容，避免 pointwise 方式下內(nèi)容較為集中問(wèn)題。

3、缺點(diǎn)

• 模型結(jié)構(gòu)復(fù)雜，模型參數(shù)訓(xùn)練較困難。

轉(zhuǎn)載于:https://www.cnblogs.com/davidwang456/articles/10576464.html

《新程序員》：云原生和全面數(shù)字化實(shí)踐50位技術(shù)專家共同創(chuàng)作，文字、視頻、音頻交互閱讀

總結(jié)

以上是生活随笔為你收集整理的知乎推荐页 Ranking 构建历程和经验分享的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。