【王喆-推荐系统】前沿篇-(task1)YouTube推荐架构
学习总结
- YouTube推荐架构=召回层（多，快）+排序层（少，精）。
- 候选集生成模型：用了Embedding MLP，注意最后的多分类的输出层，预测的是用户点击了“哪个”视频。线上服务时，需要从输出层提取出【视频 Embedding】，从最后一层 ReLU 层得到【用户 Embedding】，然后利用最近邻搜索（如LSH等）快速得到某用户的候选集。
- 排序模型：也是Embedding MLP 架构，但是有更多的用户和视频的特征输入层，输出层采用了 Weighted LR（逻辑回归） 作为输出层，并且使用观看时长作为正样本权重，让模型能够预测出观看时长，这更接近 YouTube 要达成的商业目标。
（1）精读谷歌的这篇paper《Deep Neural Networks for YouTube Recommendations》
（2）王喆老师的YouTube深度学习推荐系统的十大工程问题
文章目录
- 学习总结
- 一、YouTube 推荐系统架构
- 二、候选集生成模型
- 三、候选集生成模型独特的线上服务方法
-
- 3.1 问题一：为啥用视频ID作为预测label
- 3.2 问题二：视频embedding和用户embedding哪里来
- 四、排序模型
-
- 4.1 排序层模型
- 4.2 排序层和召回层的输出层
- 4.3 排序模型的模型服务方法
- 五、作业
- 六、课后答疑
- Reference
一、YouTube 推荐系统架构
YouTube 平台中几乎所有的视频都来自 UGC（User Generated Content，用户原创内容），其内容产生模式特点：
- 一是其商业模式不同于 Netflix，以及国内的腾讯视频、爱奇艺这样的流媒体，这些流媒体的大部分内容都是采购或自制的电影、剧集等头部内容，而 YouTube 的内容都是用户上传的自制视频，种类风格繁多，头部效应没那么明显；
- 二是由于 YouTube 的视频基数巨大，用户难以发现喜欢的内容。
YouTube 在 2016 年发布的推荐系统架构：
为了对海量的视频进行快速、准确的排序，YouTube 也采用了经典的召回层 + 排序层的推荐系统架构（两层都使用了深度学习方法）。其推荐过程分为两级：
- 第一级是用候选集生成模型（Candidate Generation Model）完成候选视频的快速筛选，在这一步，候选视频集合由百万降低到几百量级，这就相当于经典推荐系统架构中的召回层。
- 第二级是用排序模型（Ranking Model）完成几百个候选视频的精排，这相当于经典推荐系统架构中的排序层。
二、候选集生成模型
视频召回的候选集生成模型：
（1）最底层
是它的输入层，输入的特征包括用户历史观看视频的 Embedding 向量，以及搜索词的 Embedding 向量。对于这些 Embedding 特征，YouTube 是利用用户的观看序列和搜索序列，采用了类似 Item2vec 的预训练方式生成的。
PS：也可以采用 Embedding 跟模型在一起 End2End 训练的方式来训练模型。注意预训练和 End2End 训练这两种方式的区别。
除了视频和搜索词 Embedding 向量，特征向量中还包括用户的地理位置 Embedding、年龄、性别等特征。这里我们需要注意的是，对于样本年龄这个特征，YouTube 不仅使用了原始特征值，还把经过平方处理的特征值也作为一个新的特征输入模型。
该操作是为了挖掘特征非线性的特性，当然，这种对连续型特征的处理方式不仅限于平方，其他诸如开方、Log、指数等操作都可以用于挖掘特征的非线性特性。具体使用哪个，需要我们根据实际的效果而定。
（2）确定好了特征，跟我们之前实践过的深度学习模型一样，这些特征会在 concat 层中连接起来，输入到上层的 ReLU 神经网络进行训练。
（3）三层 ReLU 神经网络过后，YouTube 又使用了 softmax 函数作为输出层。注意这里的输出层不是要预测用户会不会点击这个视频，而是要预测用户会点击哪个视频，这就跟我们之前实现过的深度推荐模型不一样了。
比如说，YouTube 上有 100 万个视频，因为输出层要预测用户会点击哪个视频，所以这里的 sofmax 就有 100 万个输出。因此，这个候选集生成模型的最终输出，就是一个在所有候选视频上的概率分布。为什么要这么做呢？它其实是为了更好、更快地进行线上服务。
小结：YouTube 推荐系统的候选集生成模型，是一个标准的利用了 Embedding 预训练特征的深度推荐模型，它遵循我们之前实现的 Embedding MLP 模型的架构，只是在最后的输出层有所区别。
三、候选集生成模型独特的线上服务方法
3.1 问题一：为啥用视频ID作为预测label
为什么候选集生成模型不用“用户是否点击视频”label作为预测目标，而是使用“视频ID”label？
原因：和候选集生成模型的线上服务方式有关。刚才上图中的最上部分：
架构图左上角的模型服务（Serving）方法与模型训练方法完全不同。在候选集生成模型的线上服务过程中，YouTube 并没有直接采用训练时的模型进行预测，而是采用了一种最近邻搜索的方法：
在模型服务过程中，网络结构比较复杂，如果我们对每次推荐请求都端到端地运行一遍模型，处理一遍候选集，那模型的参数数量就会巨大，整个推断过程的开销也会非常大。
在通过“候选集生成模型”得到用户和视频的 Embedding 后，我们再通过 Embedding 最近邻搜索的方法（如局部敏感哈希LSH），就可以提高模型服务的效率了。这样就不用把模型推断的逻辑搬上服务器，只需要将用户 Embedding 和视频 Embedding 存到特征数据库就行了。
3.2 问题二：视频embedding和用户embedding哪里来
【视频embedding向量】
架构图中从 softmax 向模型服务模块画了个箭头，用于代表视频 Embedding 向量的生成。由于最后的输出层是 softmax，而这个softmax 层的参数本质上就是一个 m x n 维的矩阵：
- 其中 m 指的是最后一层红色的 ReLU 层的维度 m，
- n 指的是分类的总数，也就是 YouTube 所有视频的总数 n。
- 因此，视频 Embedding 就是这个 m x n 维矩阵的各列向量。（这样的 Embedding 生成方法其实和 word2vec 中词向量的生成方法是相同的）
【用户embedding向量】
用户 Embedding 的生成就非常好理解了，因为输入的特征向量全部都是用户相关的特征，一个物品和场景特征都没有，所以在使用某用户 u 的特征向量作为模型输入时，最后一层 ReLU 层的输出向量就可以当作该用户 u 的 Embedding 向量。
然后将视频embedding和用户embedding预存到线上的特征数据库中，在预测某用户的视频候选集时：
（1）YouTube 要先从特征数据库中拿到该用户的 Embedding 向量；
（2）再在视频 Embedding 向量空间中，利用局部敏感哈希等方法搜索该用户 Embedding 向量的 K 近邻，这样就可以快速得到 k 个候选视频集合。
四、排序模型
4.1 排序层模型
YouTube的深度学习排序模型的架构如下图，基本模型还是embedding+MLP，重点关注输入层和输出层的部分。经过召回层的粗筛，排序层可以引入更多特征进行精排，
上图中YouTube 的输入层从左至右引入的特征依次是：
- impression video ID embedding：当前候选视频的 Embedding；
- watched video IDs average embedding：用户观看过的最后 N 个视频 Embedding 的平均值；
- language embedding：用户语言的 Embedding 和当前候选视频语言的 Embedding；
- time since last watch：表示用户上次观看同频道视频距今的时间；
- #previous impressions：该视频已经被曝光给该用户的次数；
第 4 个特征和第 5 个特征，很好地引入了 YouTube 工程师对用户行为的观察：
- 第 4 个特征 time since last watch 说的是用户观看同类视频的间隔时间。如果从用户的角度出发，假如某用户刚看过“DOTA 比赛经典回顾”这个频道的视频，那他很大概率会继续看这个频道的其他视频，该特征就可以很好地捕捉到这一用户行为。
- 第 5 个特征 #previous impressions 说的是这个视频已经曝光给用户的次数。我们试想如果一个视频已经曝光给了用户 10 次，用户都没有点击，那我们就应该清楚，用户对这个视频很可能不感兴趣。所以 #previous impressions 这个特征的引入就可以很好地捕捉到用户这样的行为习惯，避免让同一个视频对同一用户进行持续的无效曝光，尽量增加用户看到新视频的可能性。
最后：把这 5 类特征连接起来之后，需要再经过三层 ReLU 网络进行充分的特征交叉，然后就到了输出层。
4.2 排序层和召回层的输出层
注意，排序模型的输出层与候选集生成模型又有所不同。
不同主要有两点：
- 一是候选集生成模型选择了 softmax 作为其输出层，而排序模型选择了 weighted logistic regression（加权逻辑回归）作为模型输出层；
- 二是候选集生成模型预测的是用户会点击“哪个视频”，排序模型预测的是用户“要不要点击当前视频”。
原因：YouTube 想要更精确地预测用户的观看时长，因为观看时长才是 YouTube 最看中的商业指标，而使用 Weighted LR 作为输出层，就可以实现这样的目标。具体的做法：
在 Weighted LR 的训练中，我们需要为每个样本设置一个权重，权重的大小，代表了这个样本的重要程度。为了能够预估观看时长，YouTube 将正样本的权重设置为用户观看这个视频的时长，然后再用 Weighted LR 进行训练，就可以让模型学到用户观看时长的信息。
这是因为观看时长长的样本更加重要，严格一点来说，就是观看时长长的样本被模型预测的为正样本的概率更高，这个概率与观看时长成正比，这就是使用 Weighted LR 来学习观看时长信息的基本原理。
4.3 排序模型的模型服务方法
候选集生成模型是可以直接利用用户 Embedding 和视频 Embedding 进行快速最近邻搜索的。但是排序层就不可以这么做了。
- 一是因为我们的输入向量中同时包含了用户和视频的特征，不再只是单纯的用户特征。这样一来，用户 x 物品特征的组合过多，就无法通过预存的方式保存所有模型结果；
- 二是因为排序模型的输出层不再是预测视频 ID，所以我们也无法拿到视频 Embedding。
- 因此对于排序模型，我们必须使用 TensorFlow Serving 等模型服务平台，来进行模型的线上推断。
五、作业
YouTube 的排序模型和候选集生成模型，都使用了平均池化这一操作，来把用户的历史观看视频整合起来。你能想到更好的方法来改进这个操作吗？
【答】
（1）在召回层，对用户历史观看的序列，按照时间衰减因子，对用户观看emb序列进行加权求平均，加强最近观看视频的影响力
（2）在排序层，可以加入注意力机制，类似DIN模型中，计算候选emb与用户行为序列中视频emb的权重，然后在进行加权求平均，得到用户行为序列的emb
六、课后答疑
（1）id做输入再embedding vs. 预训练embedding：
- 视频id作为输入再embedding的end2end模型，受cold start影响比较大，因为每遇到新视频模型就需要重新训练。但是用pretrained的视频embedding作为输入，哪怕遇到新视频也可以仿照airbnb的做法生成一个tmp的embedding再喂给模型。
- 假如有几亿候选视频，直接id做输入会导致embedding层的参数数量非常大，使用预训练embedding可以避免这一点。（用户塔的embedding可以通过平均观看过的视频的embedding得到）
（2）用户向量做一层wx+b怎么就得到某个视频的embedding了
【答】最后一层是多分类，预测哪个物品id被观看的概率最高。所以相当于先WX+b, X是用户向量，W是m*n的矩阵（m是总视频数，n是用户embedding的纬度）。然后再把结果放入softmax中正则化得每个物品的观看概率。而大矩阵W的每一行(wi)刚好对应一个物品，所以可以被当做物品embedding。
（3）之前讲emb近邻搜索，需要用户emb和物品emb在同一向量空间。那么在召回层relu中提取的用户emb和softmax提取的物品emb，是在同一向量空间的，为什么？
【答】relu隐藏层的输出是用户向量，正好是softmax层的输入x，根据前向计算wi*x+b算得到了物品i 节点值，这里的wi也就能代表物品向量了，也就是说由用户向量参与计算生成了最后的物品向量，跟我们前面利用电影向量 sum pooling出用户向量逻辑一致。所以他们在同一向量空间。
Reference
（1）https://github.com/wzhe06/Reco-papers
（2）《深度学习推荐系统实战》，王喆