推荐系统
1. 业务
推荐系统是一个优化过程，设定目标，通过优化使目标最大化。常见推荐系统大多是i2u，即把物品推荐给用户，不过也有friend recommendation这种u2u的推荐。
整体流程一般是: 召回、排序(粗排、精排)、策略
推荐与搜索的区别：
搜索是用户的主动行为，带query，返回结果与query的相关性非常重要. 第一是保证相关性，第二才是增强个性化
广告和推荐的区别：
广告除了平台和用户，多了广告主一方。因此需要关注平台、广告主ROI、用户体验的平衡
搜索可以认为有正确答案的，人主动找item；广告是item找人; 推荐是人被动接收信息
广告点击率更低，正样本非常少
推荐注重相对顺序(precision/auc)，广告注重score本身(logloss)
广告侧变动比较快，为了收益更快更新候选，在线召回. 推荐往往只需离线算出候选集(候选集低频更新时)然后在线ranking
2. 模型
2.1 召回
从海量物品库里快速找出用户可能感兴趣的物品 （亿 -> 千）
多通道召回(multiple source), Negative Sampling
统计类，热度，LBS，如：全城热搜、区域热搜；行为，如：看过、买过、看了又看、搜了又搜；
协同过滤类，UserCF、ItemCF
协同过滤，推荐时同时考虑了该用户交互过的"物品"，以及与该用户相似的其他"用户"，是为协同。Content-based filtering doesn't look at other users
U2T2I，如基于user tag召回
I2I，如Embedding（Word2Vec、FastText），GraphEmbedding（Node2Vec、DeepWalk、EGES）
U2I，如DSSM、YouTube DNN、Sentence Bert
向量召回
双塔
用户塔特征 user feature+context feature，商品塔的特征商品属性及基础特征
训练时cosine similarity, 服务时ANN搜索
正样本：热度非均匀采样；负样本：简单负样本(全量item抽取)，困难负样本（粗排 精排筛选掉的），不能包含曝光未点击(可能有兴趣)
全局负采样最好，但实现成本更高。batch内负采样更简单，但热门的item更容易成为负样本，会打压热门，可以通过logQ矫正来解决。
point-wise，pair-wise, list-wise
物料由于数量非常大，特性相对稳定，存入向量数据库。用户兴趣可能快速变化，embed根据权重重新计算，并从物料向量数据库中knn搜索
评价指标
离线:
召回精度：衡量召回链路Top-N召回的准确性。
一般采用Recall@K、Precision@K、F1@K、Hit-rate@K, AUC, MRR(Mean Reciprocal Rank), GAUC(计算同一个广告不同用户的auc加权平均)
Hit Ratio (HR, 命中率)
Mean Reciprocal Rank (MRR, 平均倒数排名, focuses on the rank of the first relevant item in the list)
Normalized Discounted Cumulative Gain (NDCG, 归一化折损累计增益, works well when the relevance score between a user and an item is non-binary)
此外，mAP: works only when the relevance scores are binary
召回覆盖率：衡量召回链路对于长尾item的挖掘能力。
召回item在整个物料池的占比；
去掉top1%的item，再比较召回精度
召回多样性：衡量召回链路对用户不同的兴趣领域的覆盖度。
以类目为用户兴趣领域，比较类目宽度。
召回新颖性：衡量召回链路能否给用户推荐没有过行为的item。
计算召回item的平均流行度，平均流行度如果越低，那么可以认为召回的新颖度越高
在线:
ctr、cvr、gmv(商品交易总额), pctr, pGMV, discovery=(#new categories)/(#all categories)，discovery分母是用户每天点击的总类别数，而分子是过去15天里头的新类别
日/月活跃用户（DAU/MAU），用户互动量/率（包括转赞评），用户停留时长
A/B Test：观测效率指标，曝光占比、点击率、多样性、新颖性等指标
对于曝光占比少的链路，可进一步观测如下数据
trigger用户覆盖度，这个衡量的是召回链路能够对多少用户产生影响；
trigger内容覆盖度，这个衡量的是我们所构建的trigger是否有相应的内容。
对于效果差的链路，可分人群观测下效果，进一步精细化召回
counterfactual evaluation（反事实评估）
考虑“如果...将会...”的情景来评估推荐结果的可信度和解释的质量
优化
如何进行优化？ (方法论角度 + 找到关键问题)
用户体验角度
指标优化角度
目标、样本、特征网络
双塔: 样本（困难样本）,模型结构（DCN, last-N行为序列, 多向量模型: 多个用户塔对应多个目标），模型训练方法（二分类，batch内负采样，自监督）
I2I: 除了u2i2i （itemCF, item embedding similarity）外，添加更多通道如u2a2i(author)
召回总量不变，调整召回通道配额
让user和item更有效地交互
让单路召回达到多路的效果
面向后链路的一致性建模
各种工业经验trick，包括但不限于特征、结构、loss
2.2 排序
特征工程，多目标排序，复杂网络
learning to rank 流程三大模式（point-wise、pair-wise、list-wise），主要是特征工程和CTR模型预估。pairwise在搜索排序中提出，在推荐排序中效果有可能比pointwise差。
常见的特征挖掘（user、item、context，以及相互交叉）
粗排：双塔, 小规模神经网络
一种是级联粗排，拟合精排的结果，正样本选择精排的topk，负样本选择精排的尾部（排序结果最后几名）或者从召回的结果随机选择一些；
另一种和精排一样，直接拟合真实的用户行为。学习样本的ground truth上限更高，但和精排的一致性可能没那么好，粗排的结果可能精排不给通过
精排：MLP, 大规模神经网络
CTR预估，如LR、GBDT、FM、FFM、DNN、Wide&Deep、DCN、DCNv2、DeepFM、DIN、xDeepFM、WDL、DIEN
Binary Cross Entropy Loss, Pairwise LTR Loss
多目标多场景：MMOE
特征：user, item, context
light ranking/ heavy ranking
评价指标
排序模型的评估指标，比较常见的有NDCG(Normalized Discounted Cumulative Gain)、MRR、MAP、PNR
counterfactual evaluation (offline policy evaluation):
优化
特征工程: 添加更多特征表征，cross feature, sequence feature
在线学习 (continual online training)
2.3 重排
目标：提升结果的效率（点击、购买、GMV等）；提升结果的多样性、发现性和用户体验；降低负反馈（结果同质化严重、看/点/买了还推）
新手扶持流量，试试效果再决定
多样性抽样(MMR，DPP)
Do not show items from the same authors in a sequence
MMR的滑窗
插入广告
removing potentially harmful content
2.4 探索与发现
bandit(多臂老虎机)、Q-Learning、DQN
2.5 Infra
Realtime approximate nearest neighbours systems (eg. Annoy, Faiss.)
Text indexing systems (Lucene, Elasticsearch)
Database and distributed data systems like Spark
Serving systems (TFX)
Model tracking and Management systems (Kubeflow, MLFlow)
3. 问答
How to scale
the component of retrieval and ranking is already designed for scale
read the code from dlrm
parameter server
Serve personalized recommendations at a low latency
Bias
selection bias: 用户倾向于给非常喜欢或者非常不喜欢的打分
positional bias: 用户倾向于点击位置靠前的
样本: 样本权重（位置靠后的权重高），更严格定义正负样本（如 above click）
Inverse Propensity Weighting: 对 position bias 进行量化，将其作为训练样本的权重来实现消偏的效果
As A Feature: 训练时将 position 当作一个特征进行输入，在预测时以一个默认值(如 0)进行输入
As A Module: 通过一个浅层的子网络来学习位置偏置，然后在预测时去除偏置 module
online/offline data distribution bias
fairness: 数据不均匀导致某些推荐结果有偏，例如在做新闻的时候，同性恋、宗教类文章
popularity bias: 热门物品曝光多，长尾物品得不到有效曝光
exposure bias: 用户只能看到曝光后的并产生交互，但数据中没交互的item不代表用户不喜欢，可能是没曝光
冷启动
冷启动推荐效果不佳，主要在于交互数量少，ID embedding学的不够好
框架: 全链路优化（包括召回、排序），流量调控（流量怎么在新物品、老物品中分配）
user冷启动影响留存，item冷启动影响生态。关键是利用好side info
Airbnb根据side information人工将user/item分群的方式
阿里EGES算法将side information embedding与id embedding先pooling再一起喂入word2vec算法
双塔召回可以加特征，改造后对冷启动友好
物品ID embedding:
新物品统一使用一个共享的default embedding
利用相似物品的embedding
长尾问题
多任务
模型更新方案
按天增量训练 或者 实时训练（在线学习）
线上线下不一致 offline online inconsistency
线上链路和特征一致性，通过线上线下采用同一个特征工程包
特征穿越，缺失
实验流量是否均匀、是否置信
是否受到链路其他层的影响（召回、粗排、融合公式、规则）
老汤模型: 样本空间不一致导致的公平性问题; 特征是老汤模型筛选出来的，不一定完全匹配新模型的重要特征
对齐样本空间。拿较长周期的历史样本回溯训练新模型
模型热启动。从老模型参数基础上热启训练新模型，尤其是embedding
ab test
4. 论文
Deep Neural Networks for YouTube Recommendations
用户 U; 查询 Q; 查询返回的文档列表 D=(D1, D2, D3); 用户的点击 Y=(Y1, Y2, Y3); 如果用户点击了 Di, 那么 yi = 1, 否则 yi = 0
目标：观看时长 （为减少标题党推荐，是否会影响长短视频bias）
通过改变样本权重来预测观看时长。正样本权重就是时长，负样本权重为1
召回
抽象成一个海量类别的多分类问题。对于一个用户，在当前的上下文场景下，观看每个视频的概率
模型：单塔 embed -> avg -> concat embed -> MLP
训练：超多分类通过sample negative classes, in-batch loss 随机采样
推理：近邻搜索
样本
没有采用原始用户日志，而是对每个用户提取等数量的训练样本：防止活跃用户带偏 model
特征：
example age: 用户对新视频有偏好
排序
模型
采用了weighted logistic regression当作输出层，而不是经典logistic regression: 预测的就是用户观看时长
特征
连续特征进行规范化：神经网络对数据的数值范围和分布十分敏感
Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations
召回
双塔
user在线serving，item离线计算后索引
负样本为王，不光是点击未曝光
无效曝光：返回、遮挡、 重复上报
Real-time Personalization using Embeddings for Search Ranking at Airbnb
DIN-Deep Interest Network for Click-Through Rate Prediction
参考
Last updated