Twitter开源时间线推荐架构整理（Twitter‘s Recommendation Algorithm）

马斯克最近开源了部分 Twitter的代码，主要有两个仓库，

• main repo（https://github.com/twitter/the-algorithm/）
• ml repo（https://github.com/twitter/the-algorithm-ml）
• 官方介绍：https://blog.twitter.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm

此次发布的大部分代码是推荐算法，包括给用户在时间线上推文的机制等等。并且看起来这个github会持续更新，本篇文章也尝试理一下这部分的推荐机制。

时间线推文（For You timeline）的整体框架如下图所示，

其主要分为三个模块：

• DATA。数据部分主要是三大块：用户、推文、社交网络。
• FEATRUE。特征部分除了计算用户和推文的特征外，社交图中的社区发现特征等十分重要，另外还有一些信用和安全的特征。
• HOME MIXER。执行推荐的整个服务，基于scala，执行推文召回、粗/精排序、重/混排。

最后实现Timeline、Who to follow、Ads的三个任务，即给用户推文、推用户、推广告。

下面分别简要介绍一下各个模块。

DATA
在推特这种社交属性明显的场景中，数据几乎就是由用户之间的互动、用户和推文之间的互动所构成的。因此DATA部分分为Follow graph、Tweet engagement、User data。

• Follow graph。社交图，也是推特场景中十分重要的数据。
• Tweet engagement。Engagement单词的本意是「约定、婚约」，在行销领域中常被用于表示企业品牌、消费者和企业之间的关系，延伸到社交平台中的含义变为「互动」。如facebook中的互动主要包括：获赞、评论、分享、点击次数等。而在twitter中主要是点击、转发、点赞和关注等。
• User data。用户画像，包含用户的一些基础数据。

FEATRUES
FEATRUES指特征工程，包括embedding嵌入、社交图特征如聚类和社区发现、用户信用和违规检测等，这些特征后续可以用于召回、排序、安全等等具体模块（具体可见下一节的HOME MIXER）。

特征主要分为：GraphJet、SimClusters、TwHIN、RealGraph、TweepGred、Trust&Safety。

• 社交特征。GraphJet是社交图特征。通过分析用户已经关注的人或具有相似兴趣的人，如关注的人所浏览的内容，即社交图中的二跳关系U2U2I。因此为了实现高效动态图构造和游走，Twitter内部自研了GraphJet图引擎（VLDB 2016）。

• 嵌入特征。目标得到user embedding和item embedding，主要分为稀疏嵌入和稠密嵌入两种，前者通过聚类、后者基于图学习。具体是两种算法：

• • SimClusters（稀疏），做社区检测和稀疏嵌入，如上图所示。其根据流行度和用户行为将推文、用户划分到不同空间（聚类），发表于KDD 2020，共有14.5w个社区、每3周更新一次。
• • TwHIN（稠密），基于图学习做稠密嵌入，如下图所示。该异构图包括四种类型的实体（user、tweet、advertiser、ad），和七种不同的互动关系（follows、authors、favorites、replies、retweets、promotes、clicks），通过该异构图得到的稠密特征可以在具体模块中负责图召回、排序等。
    

• RealGraph用于偏好预测，主要进行边预测，即用户是否互动。这个特征主要用于粗排模块中，作为LR粗排的一个辅助，具体在粗排模型中进行介绍。

• TweepGred用于信用预测，基于pagerank评价用户的声誉。

• Trust&Safety用于检测不可信和不安全等违规内容。

HOME MIXER
HOME MIXER是推特推荐的核心服务（Scala框架），其分为Candidate Source、Heavy Ranker、Heuristics & Filtering三个大块（分别对应召回、粗/精排、重/混排），其中每一小块内有多种小组件，如上图所示。

Candidate Source（即召回）。目的是从不同的源（量级亿万）召回一些最新、质量高的推文，主要是利用社交图召回，有两个召回路，一路是已经关注的社交圈(in-network)，和待探索的社交圈(out-of-network)，理论比例是各50%出现在用户的时间流推文中，实际上这个比例会根据用户的兴趣而适配。

召回模块的各小组件主要有如下，其中Search Index和UTEG是社交图内的，CR Mixer和FRS是社交图网络外的内容。

• Search Index (in-network)。使用Real Graph（用户是否互动），Trust&Safety（是否安全），TweepGred（是否可信）的特征。基于推文搜索系统 (Earlybird) 查找某个用户已经过关注人的所有推文。
• UTEG (in-network)。UTEG是user-tweet-entity-graph的缩写，使用GraphJet特征（社交图特征）做协同过滤进行推文。
• CR Mixer (out-of-network)。用于社交网络外的内容召回，使用SimClusters、TwHIN、Trust&Safety和GraphJet特征，可以看到都是社区检测的相关特征。
• FRS (out-of-network)。也用于社交网络外的内容召回，FRS是follow-recommendation-service的缩写，因此它是一个给用户推荐关注的服务（Who-To-Follow ），使用GraphJet、RealGraph、SimClusters等社区发现的特征。

Heavy Ranker（即粗/精排）。Candidate Source中的两路召回in-network、out-network得到的推文，会先进粗排再进精排。

负责粗排有两个模型，第一个是LR模型，预测用户和推文有互动的概率，如上图所示，具体特征有

• search context features。搜索上下文时间，包括用户语言，时间等等。
• tweet data。推文的特征，包括推文所用语言，用户id等。
• static features。评价推文的静态文本质量，如是否有url等等。
• realtime features。实时推文被转发、回复、关注等等。
• user table features。用户的信誉、粉丝数目等等。

不同特征会有不同的权重，如点击的权重为1，点赞的权重为2等，如下表所示。

INDEX_BY_LABEL = {
  "is_clicked": 1,
  "is_favorited": 2,
  "is_open_linked": 3,
  "is_photo_expanded": 4,
  "is_profile_clicked": 5,
  "is_replied": 6,
  "is_retweeted": 7,
  "is_video_playback_50": 8
}

第二个粗排模型是基于RealGraph: User Interaction Prediction at Twitter，如上图所示，本质是个链接预测任务，去预测用户和用户交互的概率。包括图构成、模型训练和应用。

• Graph Generation。RealGraph是一个有向带权同构图，节点是用户、边是用户与用户的交互关系（follow graph、addressbook、interaction data）。
• Model Learning。基于边特征，仍然使用使用逻辑回归模型来训练。
• Application。预测用户之间的交互概率，交互概率越高，就会推该用户更多的推文。

过粗排模型后，两路召回会各自排出750条推文，然后将共1500的数量进精排。

精排模型来自新浪KDD 2021，MaskNet: Introducing Feature-Wise Multiplication to CTR Ranking Models by Instance-Guided Mask，如上图所示。主要提出了一种instance-guided mask方法将全局上下文信息进行动态融入。首先，所有输入的特征会被concat在一起，$$V_{emb}=concat(e_1,e_2,\dots ,e_i,\dots ,e_f)$$为了充分利用全局上下文，Instance-Guided Mask使用两层FC来投影，
$$V_{mask}=W_{d2}(W_{d1}{V}_{emb}+{\beta }_{d1})+{\beta }_{d2}$$再利用element-wise product来融合全局上下文信息，$$V_{maskedEMB}=V_{mask}\odot V_{emb}$$$$V_{maskedHID}=V_{mask}\odot V_{hidden}$$所以其实instance-guided mask可以被看作为一种gate，用于可以加强某些特征，减弱某些噪声对模型的影响。最后以多个这种MaskBlock作为基本单元，串行MaskBlock或者并行MaskBlock得到MaskNet。

而Twitter所用的MaskNet网络参数48M，特征6k，一个多目标模型，目标数量涵盖包括互动、时长和画风等10个方面，如下：

• “recap.engagement.is_favorited”：是否喜欢推文
• “recap.engagement.is_good_clicked_convo_desc_favorited_or_replied”：是否点击进推文并回复或点赞
• “recap.engagement.is_good_clicked_convo_desc_v2”：是否点击进推文并停留至少 2 分钟
• “recap.engagement.is_negative_feedback_v2”：是否做出负面反馈（屏蔽或静音推文）
• “recap.engagement.is_profile_clicked_and_profile_engaged”：是否打开作者的资料
• “recap.engagement.is_replied”：是否回复
• “recap.engagement.is_replied_reply_engaged_by_author”：回复的推文被原文作者回复
• “recap.engagement.is_report_tweet_clicked”：是否举报推文
• “recap.engagement.is_retweeted”：是否转发
• “recap.engagement.is_shared”：是否分享
• “recap.engagement.is_tweet_detail_dwelled_15_sec”：是否停留超过15s
• “recap.engagement.is_video_playback_50”：是否观看至少一半视频

Heuristics & Filtering（即重/混排）。这一部分主要设计一些启发式的过滤策略（重排），和混排推文、推人、推广告等下端应用。

• Visibility Filtering: 可见性过滤，即屏蔽一些推文或者讨厌用户的推文。
• Author Diversity: 作者多样性，避免来自同一作者的太多连续推文。
• Content Balance: 内容平衡，上文中在社交圈和不在社交圈中的推文占比。
• Feedback-based Fatigue: 针对用户提供的负面反馈，制定对应策略降低某些推文的分数。
• Social Proof: 排除与推文没有二级关联的社交圈外的推文，即确保推文来自关注的人与推文互动、或关注推文的作者们。
• Conversations: 通过将回复与原始推文串连在一起，为回复提供更多上下文展示。
• Edited Tweets: 更新检测，确定当前设备上的推文是否过时，并发送指令以将其替换为编辑后的版本。

混排是最后一步，系统会将推文与其他非推文内容（如推广告、推关注人）混合在一起，然后再这些内容将返回到设备上进行显示。 上面的流程每天运行大约 50 亿次，平均完成时间不到 1.5 秒。单个管道执行需要 220 秒的 CPU 时间，几乎是在应用程序上看到的延迟的 150 倍。