推荐系统论文阅读（四十八)-谷歌:修正双塔向量召回模型

论文：

论文题目：《Sampling-Bias-Corrected Neural Modeling for Large Corpus Item Recommendations》

地址：https://dl.acm.org/doi/pdf/10.1145/3298689.3346996

最近换了工作+旅游都没来得及写一下博客，近期的工作一直在做向量召回+负采样的活，今天我们来看一下谷歌这篇工业风十足的论文吧，看看有什么借鉴的地方。

一 、背景

工业界的召回一直都是围绕着双塔+负采样两个问题展开的，之前的文章里也说过了，召回是样本的艺术，由于召回需要从整个样本集里面去选取，所以需要让模型开开眼见见世面，所以需要有更多的负样本让模型能够区分出那些是用户不喜欢的，哪些是用户可能喜欢的，注意，只要是可能喜欢的，召回模型就要选出来，这里跟排序是不一样的，排序模型是一定要选出用户真正喜欢的，而召回只需要选出用户可能喜欢的，其他的工作只需要交给后面的粗排跟精排就可以了。

一般的双塔模型长这样：

通常是用两个塔分别去建模user和item，然后在模型的后面计算内积，最后用真实的label计算loss。

回到本文，本文主要的工作是针对负采样的修正，在这里我要先提一下一个召回中负采样的方法：

1.batch随机负采样

2.batch内其他样本作为负样本，也叫batch softmax

3.batch随机+hard sample+部分曝光未点击

首先，我们来分析下以上几个负采样的方法，第1个，完全随机是不太可能的，因为在推荐里面毕竟是有热门商品跟冷门商品的，完全随机的话，有可能就是热门样本被采样太多了，导致在召回的时候把热门商品打压来，对于电商领域来说是不能这么做的，因为热门的item是可以带来很大的gmv的；第2个，问题跟第一个一样，batch内的其他样本同样会有select bias的问题；第3个是工业界里一般的做法，后面两种样本主要是为了让模型真正的能区分困难样本。

谷歌这篇论文针对的是第2点来展开论述的，针对负采样问题连同双塔模型一起优化，让我们一起来看看吧。

二 、模型以及修正负采样

2.1 预定义和batch softmax optimization

表示user/query，表示item，r是label，经过双塔影射到同一空间后：

这时候我们就可以计算内积来表示他们之间的match程度了：

数据：

一个用T个训练样本，如果我们使用softmax多分类损失：

其中：

这时候，可以看到我们之前在w2v中类似的情况了，由于M太大了，导致上面这个式子的计算效率十分低，所以需要对loss函数进行改进，改成了我们在之前所说的batch softmax：

就是在一个batch内，把其他样本的item当作负样本来进行softmax。

但是，这么做还有个问题，我们既然进行了采样，那么意味着高频的item容易被采样成负样本，所以还是要进行修正的：

其中s的计算变成了这样：

其中是item j被采样的概率，最终损失函数变成了：

训练的整体过程如下：

论文里对于r的解释是这样，这里r不是0和1，对于没有点击的样本来说，r是0，对于点击的item，r是播放完成度，也就是说r可能是小于1的。

2.2 采样修正

前面我们也说了，在batch内负采样会导致热门item容易成为负样本，所以需要进行采样修正，具体的做法是，维护两个表A和B，其中A保存item上一次被采样到的step，B保存item的采样频率，你可能听的有点云里雾里了，在详细介绍一下吧。

由于在一个推荐系统中，新item是会经常出现的，所以使用hash函数h把每一个item进行映射，以防止词表大小固定带来的问题，我们的A表会保存h(item i)上一次出现的step，当未来的某个batch采样到item i的时候，就会计算当前step - A表中的h(item i)的step，然后保存到B表中，同时更新A表的step，这时候我们就可以使用1/B(h(item i))来表示item i被采样的概率了。

注意到，我们之前更新B表的方式是easy版本的，因为有可能hash函数的原因导致更新B表的方式被其他item影响了，所以采用了类似于指数加权平均的思想来更新B表：

具体的算法过程如下：

这样还不够，因为由于H

2.3 模型结构和特征

2.3.1特征

1.seed features，我理解这部分是用户正在观看的视频的特征，表征用户当前时刻的兴趣点

2.channel id应该不是频道的意思，可以点开toutube然后点击一个创作者的头像，会发现channel id是创作者的id

3.user features，就是一些用户以前的video点击序列，以及以前点击过的channel id序列，以及一些user profile特征

4.item侧，这些特征就是寻常的item侧特征

2.3.2 l2 正则

为了让softmax更明显，会对内积的结果进行放大，实际上工业界确实都这么做：

四、实验结果

首先看一下hash函数的对比实验：

然后看一下选值的对比实验：

离线实验recall上的对比：

总结一下这篇论文，还有很多我没理解的地方，希望可以进一步思考：

1. 为什么要进行l2正则

2.item emb要共享嘛

3.损失函数是否需要对比下hinge loss和nce loss或者说sample softmax loss

4.特征序列的处理方式

5.。。。