图算法在转转推荐算法召回及粗排的实践
文章目录
-
- 一、转转推荐算法介绍
-
- 1.1 什么是推荐系统？
- 1.2 转转推荐主要场景及流程
- 二、图算法原理介绍及转转实践
-
- 2.1 经典Graph Embedding方法：DeepWalk
- 2.2 结构性与同质性：node2vec
- 2.3 融合辅助信息：EGES
- 2.4 辅助信息融入建图：转转召回实践
- 2.5 异构图表示：转转粗排实践
- 三、总结
- 参考资料
一、转转推荐算法介绍
1.1 什么是推荐系统？
随着信息技术与互联网的飞速发展，借由互联网所传递的信息也在飞速地膨胀，人类从信息匮乏时代走向了信息过载时代，推荐系统开始在互联网技术中扮演不可或缺的角色。推荐系统帮助人们更高效地建立与信息的连接，节约信息筛选的时间，为用户匹配、探索兴趣，也让平台的高效分发成为可能。对于转转来说，推荐系统承担了为用户推荐商品与内容的重要角色，一方面链接了用户与商品的关系，为用户节约筛选心仪产品的时间，帮助用户在平台琳琅满目的商品中发现感兴趣的商品；另一方面帮助商家让自己的商品从海量商品中脱颖而出，推荐给合适的用户。在推荐系统中，推荐算法扮演了发动机的作用。
1.2 转转推荐主要场景及流程
在转转APP中，推荐算法涉及的主要场景包括首页推荐、商详页推荐以及收藏夹推荐等等。用户进入APP后，在主页面下滑即进入首页推荐场景，该场景由算法推荐用户可能感兴趣的商品流，帮助用户进行商品的筛选和探索；当用户点击一个商品后，即进入商详页推荐，为用户推荐与主商品相似的更多商品以挑选；当用户收藏商品后，也会根据用户的收藏行为和历史兴趣，为用户推荐更多的商品。
推荐算法的主要流程如图所示，整个流程呈漏斗形，对商品库进行层层筛选，最后将推荐结果呈现给用户。
召回是推荐算法的第一阶段，根据用户和商品信息从海量的商品库中，快速筛选出用户可能感兴趣的商品集，传递给接下来的粗排及精排部分。由于面对的商品集合非常大，因此召回阶段对于性能要求高，需要用相对简单的模型及特征；
粗排则承接召回筛选过的商品，为用户推荐的候选集打分，并筛选出精排候选，作为一个承上启下的阶段，模型及特征的复杂度相对折中；
精排则通常只对少量商品进行排序，可以使用较多特征及复杂模型，对于推荐的准确度要求更高；
最后会根据业务特点及其他目标进行重排，在此不再赘述。
本次分享主要介绍图算法的原理以及在转转召回及粗排阶段的实践。
二、图算法原理介绍及转转实践
图是一种基础且常用的数据结构，也广泛存在于真实世界的多种场景中，例如社交网络中人与人的联系、生物中蛋白质的作用以及电商中用户与商品之间的关系等等。
在转转的场景中，通过对用户与商品关系的建图以及在此基础上的图表示学习，我们能够得到低维、稠密、实值的向量，能够表达节点之间内在的关系。
利用得到的向量，既可以作为排序层的预训练特征，也可以直接计算向量相似度，寻找相似的商品，并直接推荐给用户。
2.1 经典Graph Embedding方法：DeepWalk
首先介绍经典的Graph Embedding方法——DeepWalk。
DeepWalk在电商场景应用的大体流程可以分为以下四个步骤：
- 获取用户原始行为序列，并根据一定规则进行切分（如点击间隔超过1小时）。
- 基于这些切分的用户序列，构建商品图结构。例如用户A依次产生了D、A、B的行为，则构建D->A的有向边、A->B的有向边。将所有用户序列产生的商品共现对如（D,A）都建立有向边后，即建立起全局的商品图。
- 选取多个起始点（实际上可以以每个节点为起始点）进行随机游走，得到多条序列。
- 将重新生成的物品序列利用word2vec模型里的skip-gram算法进行图向量的训练和获取。
其中关键是第三步的随机游走过程，即如何选择下一个游走的节点。DeepWalk定义节点 v i v_i vi到 v j v_j vj的转移概率如下：
P ( v j ∣ v i ) = { M i j ∑ j ∈ N + ( v i ) M i j , v j ∈ N + ( v i ) 0 , e i d ∈ ε P(v_j\mid v_i)=\begin{cases} \frac{M_{ij}}{\sum_{j\in N_+(v_i)}M_{ij}}, &v_j\in N_{+}(v_i)\\ 0, &e_{id}\in \varepsilon \end{cases} P(vj∣vi)={∑j∈N+(vi)MijMij,0,vj∈N+(vi)eid∈ε
其中 N + ( v i ) N_+(v_i) N+(vi)是 v i v_i vi的所有出边集合， M i j M_{ij} Mij是节点 v i v_i vi到 v j v_j vj的边权重。
2.2 结构性与同质性：node2vec
在DeepWalk的基础上，node2vec改进了随机游走过程的游走概率，引入了两个超参数来平衡图的两类游走方式——广度优先BFS和深度优先DFS。
通过引入超参数p和q，算法能够控制节点的游走倾向性。将节点的游走概率定义为 π v x = α p q ( t , x ) ⋅ w v x \pi_{vx}=\alpha_{pq}(t,x)·w_{vx} πvx=αpq(t,x)⋅wvx，其中 w v x w_{vx} wvx是边vx的权重， α p q ( t , x ) \alpha_{pq}(t,x) αpq(t,x)定义如下：
α p q ( t , x ) = { 1 p , d t x = 0 1 , d t x = 1 1 q , d t x = 2 \alpha_{pq}(t,x)=\begin{cases} \frac{1}{p}, &d_{tx}=0 \\ 1, &d_{tx}=1 \\ \frac{1}{q}, &d_{tx}=2 \end{cases} αpq(t,x)=⎩ ⎨ ⎧p1,1,q1,dtx=0dtx=1dtx=2
其中， d t x d_{tx} dtx指节点 t t t到节点 x x x的距离，超参数p被称为返回参数，p越小，返回原节点的概率越大，游走偏向BFS，更关注结构性相似；q被称为进出参数，q越小，则随机游走向更远节点的概率越大，游走偏向DFS，更关注同质性相似。
在推荐系统中，同质性相似的物品体现在同品类、同属性或者经常被一同点击、购买的商品；而结构性相似的物品则体现在各品类的爆款、各品类的最佳凑单商品等趋势类似的商品。node2vec相比DeepWalk拥有更强的灵活性，能够帮助我们根据应用场景的不同选择不同的游走策略，得到合理的向量表示。
2.3 融合辅助信息：EGES
回顾下DeepWalk一节中介绍的算法流程，能够发现一个问题：对于新商品或者用户交互较少的商品，很可能是孤立的节点或者节点权重很小，导致不能游走到该节点或游走到该节点的概率很低。如何解决这类冷启动问题？
阿里2018年提出的EGES(Enhanced Graph Embedding with Side Information)在skip-gram的向量嵌入过程中，除了采用序列的ID类embedding之外，还引入了带权的辅助信息(side information)来缓解该问题。
EGES到生成商品序列前的流程与DeepWalk介绍的一致，但是在最后的嵌入过程中，引入了如类别、品牌、所在城市等辅助信息的多个embedding共同训练。对于多个embedding，最简单的融合方法即average pooling，形式化定义如下：
H v = 1 n + 1 ∑ s = 0 n W v s H_v=\frac{1}{n+1}\sum_{s=0}^{n}W_v^s Hv=n+11s=0∑nWvs
利用以上公式即平均操作，将不同的辅助信息向量与原物品向量融合，其中 W 0 W^0 W0代表原始物品的embedding， W 1 . . . W n W^1...W^n W1...Wn代表每种side information对应的embedding。
但是在实际问题中，不同的辅助信息对于物品的贡献应有所不同，如一个购买了iPhone的用户，倾向于查看MacBook和iPad，是因为品牌。引入加权形式的辅助信息利用，能够得到更准确的embedding。
H v = ∑ j = 0 n e a v j W v j ∑ j = 0 n e a v j H_v=\frac{\sum_{j=0}^ne^{a_v^j}W_v^j}{\sum_{j=0}^ne^{a_v^j}} Hv=∑j=0neavj∑j=0neavjWvj
在GES模型的基础上，引入权重 a 1 . . . a n a^1...a^n a1...an，通过Hidden Representation层执行加权平均操作，并输入softmax层，通过反向传播求得权重。
通过 e a j e^{a^j} eaj代替 a j a^j aj，保持权重大于0，分母则起到normalize weights的作用。
最后进行skip-gram的方式训练得到每个商品的embedding和side infomation及对应的权重。
2.4 辅助信息融入建图：转转召回实践
在转转的实际实践中，采用EGES的加强辅助信息融合方式遇到了一些困难，特别是辅助信息融合训练的性能问题。
因此，我们采取了影响图权重的方式来引入辅助信息。主要有以下步骤：
- 获取用户序列切分生成共现对，并同步获取相应商品的辅助信息
- 将全局共现对聚合，根据用户交互行为数目确定初始权重
- 根据节点间边的预先定义的几类辅助信息调整权重，例如同类或同价格区间即上调权重
- 进行node2vec随机游走过程并进行向量嵌入训练
通过辅助信息融入建图过程的方法，大大提高了训练速度，并减少了embedding参数量，在实际应用中向量的质量也能够满足需要。在node2vec参数上，可以通过调整同质性相似与结构性相似，来应用于详情页推荐场景与首页推荐场景。
得到商品向量即可进行向量相似度计算，从而进行商品的item2item推荐，或者利用用户交互过的商品进行user2item2item的推荐。
2.5 异构图表示：转转粗排实践
对于粗排来说，需要得到同空间内的用户向量及商品向量，利用内积操作，能够对于用户的召回候选集进行快速的打分和筛选。通常的粗排模型往往采用双塔模型，通过拆分用户塔和商品塔，可以使得向量产出由离线计算完成，线上则采用内积。可见，粗排的关键问题即是用户和商品的向量生成。那么能不能通过图算法来得到用户和商品的向量呢？答案是肯定的。
前几节介绍了Graph Embedding的原理以及一些改进的思路，和转转的召回实践，这些介绍中的图都为同构图，图中的节点都为商品。要同时得到用户和商品的向量，则需要将用户节点也加入到图中，构成异构图。
具体的实现步骤如下：
- 获取用户行为序列，并切分为用户-商品二部图
- 根据二部图中的（用户,商品）共现对，建立无向带权图
- 在图中进行随机游走过程，得到形如u1-i1-u2-i2…的序列
- 进行向量嵌入训练，得到用户及商品的向量
离线训练得到向量后，线上分别取得用户及商品向量，进行简单内积后即得商品打分。
三、总结
本次分享介绍了转转的主要场景及算法流程，并介绍了三种常见的图算法：
- 经典的Graph Embedding方法DeepWalk，是各类随机游走算法的基础
- node2vec在DeepWalk的基础上引入超参数控制游走倾向，学习结构性及同质性相似
- EGES则提出融合加权辅助信息，缓解节点冷启动的问题
介绍了上述图算法在转转推荐算法召回及粗排的实践。
图算法目前仍是工程和学术领域研究和实践的热点，除了本次分享介绍的方法，还有如随机游走类的LINE、SDNE以及图卷积类的GAT、GraphSAGE的方法，感兴趣的读者可以深入了解。图卷积算法也在转转有相应的落地和实践，有机会再向大家分享。谢谢！
参考资料
[1]Perozzi B, Al-Rfou R, Skiena S. Deepwalk: Online learning of social representations[C]//Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data mining. 2014: 701-710.
[2]Grover A, Leskovec J. node2vec: Scalable feature learning for networks[C]//Proceedings of the 22nd ACM SIGKDD international conference on Knowledge discovery and data mining. 2016: 855-864.
[3]Wang J, Huang P, Zhao H, et al. Billion-scale commodity embedding for e-commerce recommendation in alibaba[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. 2018: 839-848.
[4]王喆：深度学习中不得不学习的Graph Embedding方法 https://zhuanlan.zhihu.com/p/64200072