【推荐系统】方法论 | 数据驱动 | 深度学习RS_深度学习数据驱动

【前沿RS的三大问题】可扩展性、稀疏性、冷启动

一、引言

• 推荐系统从搜索引擎借鉴了不少技术，如内容推荐，由亚马逊基于用户（user-based）和基于物品（item-based）的协同过滤，从内容延伸到协同关系。后来Netflix出现矩阵分解为代表的评分预测算法。
  • 协同过滤评分预测，这里即通过用户历史打分记录进行训练模型，但是注意现实中隐式行为更多，即获得打分数据其实不容易（而且可能存在伪造评分、评分分布不稳定等现象），一般损失函数为均方根误差MSE。
  • 如小厂只使用矩阵分解作为第一版算法，可以使用Quora 开源的 QMF 工具。能在一台 32 核、244G、640G 固态硬盘的服务器上用 20 分钟完成 10 亿非零元素，千万用户和物品的矩阵分解。
  • 得到隐因子向量之后，可以用faiss等稠密向量相似计算库来搜索近邻，类似的库还有annoy，kgraph，nmslib。
• 近5年，则是深度学习和强化学习技术为主流。世界万物都倾向于相互连接构成复杂网络，少数节点聚集大量连接（马太效应），如社交网络粉丝数、网页链接引用量、电商网站商品销量等等，推荐系统就是要用技术对抗这种不平等。
• 企业中什么时候需要建立推荐系统：
  • 业务有流动和转化的用户，同时内容是持续稳定的增长，且用户和内容都有一定的存量，但具体的增长速度和存量的规模需要结合自己的业务进行判断，这个东西目前还没有办法进行量化，
  • 前期可以使用一些简单的推荐策略进行推荐，然后随着业务发展可以慢慢进行策略到算法的迭代，继而搭建推荐架构，为推荐算法进行服务。
• 常见的线上业务指标：点击率、GMV、用户停留时长等

二、推荐算法工程师

2.1 推荐团队

（1）团队分工

• 算法工程师，承担的是数据科学家和机器学习工程师的双重职责，主要职责是清洗数据，训练离线推荐模型，开发算法接口，评估指标。
• 软件开发工程师，承担算法之外的开发任务，例如数据库的搭建维护，API 接口的开发，日志的收集，在线系统的高可用等，当然“有下限的团队”可以适当简陋些，不用考虑高性能。
• 其他非技术角色，如果是“有下限团队”的话，这一项也可以省略，如果涉及了跨部门合作，或者你不幸被老板提出各种“推得不准”的伪 Bug，那么你就需要一个这样的角色去充当工程师港湾，来阻挡外界的风雨。

（2）推荐算法工程师的核心素质：

• 有较强的工程能力，能快速交付高效率少 Bug 的算法实现，虽然项目中不一定要写非常大量的代码；
• 有较强的理论基础（如数学的高数统计概率线代、信息论等），能看懂最新的论文，虽然不一定要原创出漂亮的数学模型；
• 有很好的可视化思维，能将不直观的数据规律直观地呈现出来（如python的matplotlib、R语言中的ggplot2、linux命令中的Gnuplot、windows中的excel等），向非工程师解释清楚问题所在，原理所在。
• 学习能力，沟通能力，表达能力。

（3）推荐算法工程师的工作流程：

• 问题提出 ： 清楚领导提出的问题，或者自己发现问题。
• 数据和业务探索 ： 在动手解决这个问题之前，我们一定要花时间弄清楚业务的相关逻辑，并且动手用一些脚本程序弄清楚自己可利用数据的数据量、数据特点、提取出一些特征并分析特征和标签之间的相关性。
• 初始解决方案 ： 根据探索结果提出初始解决方案。
• 解决方案调优 ：在初始解决方案之上，进行技术选型和参数调优，确定最终的解决方案。
• 工程落地调整 ：针对工程上的限制调整技术方案，尽量做到能简勿繁，能稳定不冒险。
• 生产环境上线 ： 进行最终的调整之后，在生产环境上线。
• 迭代与复盘 ： 根据生产环境的结果进行迭代优化，并复盘这个过程，继续发现问题，解决问题。
• 不迷信所谓的权威模型，不试图寻找万能的参数，从业务出发，从用户的真实行为出发，才能够构建出最适合你业务场景的推荐模型 。
• 寻找到最合适的参数，并且可以完成生产环境的工程实现。

2.2 中小厂中避免重复造轮子

大厂业务场景复杂、数据量大，很多时候挖地基开始研发RS，中小厂则是以先做出来、快速达到baseline后迭代为主要目标，选择开源项目需要选择自己熟悉的语言、大公司背书的、有成功实施过的、有活跃社区氛围等。

2.3 目标思维和不确定思维

两个思维模式：目标思维和不确定思维：

• 目标思维：量化指标，如机器学习/深度学习模型中的AUC指标等。
  • 传统的软件是一个信息流通管道，从信息生产端到信息消费端的通道，比如一款内容 App，写内容的可以正常记录，读内容的可以流畅加载，无论多大的并发量都扛得住，这就是一个正常的产品了。
  • 推荐系统看做一个函数，这个函数的输入有很多：UI、UE、数据、领域知识、算法等等，输出则是我们关注的指标：留存率、新闻的阅读时间、电商的 GMV、视频的 VV 等等。
• 不确定性思维：概率眼光看待结果
  • 大多数推荐算法都是概率算法，无法得到确切精准推荐结果，如出现某个不合适推荐，老板们会问“为什么会出现这个”，而不确定思维则是“出现这个的可能性是多大”。
  • 本身出现意外的推荐也是有益的，可以探索用户的新兴趣，这属于推荐系统的一个经典问题：EE 问题。

三、推荐系统的轮子

3.1 内容分析

基于内容的推荐，主要工作集中在处理文本，或者把数据视为文本去处理。文本分析相关的工作就是将非结构化的文本转换为结构化。主要的工作就是三类：主题模型、词嵌入、文本分类。

这其中 FastText 的词嵌入和 Word2vec 的词嵌入是一样的，但 FastText 还提供分类功能，这个分类非常有优势，效果几乎等同于 CNN，但效率却和线性模型一样，在实际项目中久经考验。LightLDA 和 DMWE 都是微软开源的机器学习工具包。

3.2 协同过滤和矩阵分解

虽然是深度学习时代了，但是传统协同过滤和矩阵分解很成熟。基于用户、基于物品的协同过滤，矩阵分解，都依赖对用户物品关系矩阵的利用，常用的有：
KNN 相似度计算；SVD 矩阵分解；SVD++ 矩阵分解；ALS 矩阵分解；BPR 矩阵分解；低维稠密向量近邻搜索。

• 基础协同过滤算法，通过计算矩阵的行相似和列相似得到推荐结果。
• 矩阵分解，得到用户和物品的隐因子向量，是低维稠密向量，进一步以用户的低维稠密向量在物品的向量中搜索得到近邻结果，作为推荐结果，因此需要专门针对低维稠密向量的近邻搜索。

3.3 模型融合

• 线性模型复杂在模型训练部分，这部分可以离线批量进行，而线上预测部分则比较简单，可以用开源的接口，也可以自己实现。
• 另外还有GBDT+LR（通过GBDT构建非线性特征，即，然后送入LR进行做CTR）等。
  • 比如说，有一天你发现“ID 为 233 的用户喜欢买各种钢笔”这个事实，它可以有两个特征组合出来，一个是“ID 为 233”，是一个布尔特征，另一个是“物品为钢笔”，也是一个布尔特征，显然构造一个新特征，叫做“ID 为 233 且物品为钢笔”，即非线性特征。

3.4 深度学习

最初的鼻祖算法是ALS+MLP，即用户向量和物品向量分别经过全连接层（dense layer，线性层+非线性层）后的结果，进行点乘且sigmoid运算，通过损失函数计算后反向传播更新参数，进行评分的预测。

• 召回：各种embedding嵌入技术，如item2vec、GNN embedding等。
• 排序：CTR点击率预估（deepfm、等）、多任务学习模型等，还有时间序列上的深度学习模型，如transformer系列。在TensorFlow上甚至能直接调用wide&deep的模型API，参考官方文档：tf.keras.experimental.WideDeepModel。
• 增强学习在模型更新、工程模型一体化方向上的应用，它让推荐系统可以在实时性层面更强。

（1）用户理解

（2）召回

1）传统召回

2）知识召回

可以结合知识图谱 社交网络的推荐：

3）表示召回

4）匹配召回

（3） 排序

促排技术迭代图：

精排模型迭代图：

（4）其他技术方向

3.5 完整推荐系统

（1）完整指的是包含推荐算法实现、存储、接口。可以选择各个模块的开源项目，再将其组合成自己的推荐系统，便于诊断错误。

（1）两个常见的推荐模块：

1）猜你喜欢：各种召回方法，多路召回策略。
2）个性推荐：CTR排序，主流是基于深度学习方法，如下图所示：

• 一般先用spark进行大数据处理和特征工程，得到的线上特征存入redis；训练样本则送入TensorFlow进行离线模型训练（一些模型可以用spark进行模型训练）；
• 训练并导出了 如NeuralCF 的模型文件。然后使用 TensorFlow Serving 载入模型文件，建立线上模型服务 API（TensorFlow serving API）。
• 推荐服务器的排序层从 Redis 中取出用户特征和物品特征，组装好 JSON 格式的特征数据，发送给 TensorFlow Serving API；
• 根据返回的预估分数进行排序，最终生成“猜你喜欢”的推荐列表。

上图的Java jetty推荐服务器内部专门开发特征加工模块，进行一些人工的处理。比如点击率特征，实际上“点击”会包含多种点击行为，各种行为如何融合，需要灵活配置。既不能放在离线存（更新不便），也不能放在tf serving里（逻辑多了太慢）

• 1、tf serving只负责简单的模型运算；
• 2、离线redis等负责通用特征数据的存储；
• 3、推荐系统服务器进行数据加工

（2）系统的整体评估

四、数据驱动

4.1 数据用途

数据采集，分为三种用途：

• 报表统计：为了统计一些核心的产品指标，例如次日留存，七日留存等，一方面是为了监控产品的健康状况，另一方面是为了对外秀肌肉。
• 数据分析：用于指导产品设计、指导商业推广、指导开发方式。走到这一步的数据采集，数据驱动产品。
• 机器学习：数据用以训练模型。

4.2 数据采集（推荐系统收集日志）

包括数据模型、数据存储、元素、怎么收集、质量检验等部分。

4.3 Netflix的推荐技术架构

Netflix（一家流媒体公司） 的推荐系统的经典架构图，判断哪些是数据部分，哪些是模型部分。

• 数据部分：event distribution, hadoop, query results, netflex.hermes, user event queue, netflix.manhattan.
• 模型部分：model training, models, online computation, online service, algorithm service.
• nearline computation也属于数据部分，正中央的evcache等几个数据库可以看作数据部分和模型部分的接口。

五、内容推荐

5.1 构建用户画像

很多高大上ppt会介绍用户画像，用标签云绘制人形状，周围列出若干人口统计学属性，以表达用户画像概念，看似炫酷但没啥用。在算法角度，用户向量化后的结果即user profile（user embedding）。一般全量item很多，无法为每个用户计算对全部item的评分，所以需要先召回后排序，user embedding一般用在召回。

5.2 基于文本数据构建用户画像

用户这一端比如说有：注册资料中的姓名、个人签名；发表的评论、动态、日记等；聊天记录（不要慌，我举个例子而已，你在微信上说的话还是安全的）。

物品这一端比如说有：物品的标题、描述；物品本身的内容（一般指新闻资讯类）；物品的其他基本属性的文本。文本数据是互联网产品中最常见的信息表达形式，数量多、处理快、存储小。

（1）结构化文本

• 关键词提取：最基础的标签来源，也为其他文本分析提供基础数据，常用 TF-IDF 和 TextRank
• 实体识别：人物、位置和地点、著作、影视剧、历史事件和热点事件等，常用基于词典的方法结合 CRF 模型。
• 内容分类：将文本按照分类体系分类，用分类来表达较粗粒度的结构化信息。
• 文本 ：在无人制定分类体系的前提下，无监督地将文本划分成多个类簇也很常见，别看不是标签，类簇编号也是用户画像的常见构成。
• 主题模型：从大量已有文本中学习主题向量，然后再预测新的文本在各个主题上的概率分布情况，也很实用，其实这也是一种聚类思想，主题向量也不是标签形式，也是用户画像的常用构成。
• 嵌入：“嵌入”也叫作 Embedding，从词到篇章，无不可以学习这种嵌入表达。嵌入表达是为了挖掘出字面意思之下的语义信息，并且用有限的维度表达出来。

（2）标签选择

• 最常用的2个方法：卡方检验（CHI）和信息增益（IG）。
• 基本思想是：把物品的结构化内容看成文档；把用户对物品的行为看成是类别；每个用户看见过的物品就是一个文本集合；在这个文本集合上使用特征选择算法选出每个用户关心的东西。

5.3 超越标签的内容推荐系统

Reference

[1] GBDT+LR原论文：http://quinonero.net/Publications/predicting-clicks-facebook.pdf
[2] 推荐系统 贝壳算法负责人.陈开江
[3] Bag of Tricks for Efficient Text Classification.Facebook（fasttext训练词嵌入向量）
[4] The Learning Behind Gmail Priority Inbox.Google（介绍早期Gmail基于文本和用户行为建模思路）
[5] Recommender Systems Handbook(第三章，第九章)
[6] 《文本上的算法: 深入浅出自然语言处理》
[7] LDA 数学八卦.Rickjin(@靳志辉)
[8] Amazon.com recommendations: item-to-item collaborative filtering
[9] Slope One Predictors for Online Rating-Based Collaborative Filtering（Slope One算法）
[10] Item-Based Collaborative Filtering Recommendation Algorithms
[11] Matrix Factorization and Collaborative Filtering
[12] BPR- Bayesian Personalized Ranking from Implicit Feedback（更关注推荐结果的排序好坏）
[13] Collaborative Filtering for Implicit Feedback Datasets.Yifan Hu（处理隐式反馈行为的CF模型）
[14] Matrix Factorization Techniques For Recommender Systems
[15] Adaptive Bound Optimization for Online Convex Optimization（FTRL，CTR优化）
[16] Introduction to Bandits- Algorithms and Theory Part 1- Bandits with small sets of actions
[17] An Empirical Exploration of Recurrent Network Architectures
[18] TencentRec：Real-time Stream Recommendation in Practice
[19] Pattern Recognization and Machine Learning
[20] 对象存储 S3 在分布式文件系统中的应用
[21] System Architectures for Personalization and Recommendation
[22] 回顾经典，Netflix的推荐系统架构.王喆
[23] paddle.在工业实践中的推荐系统