• 推荐系统是一项（软件）服务，可以生成个性化的推荐列表。作为面向用户的服务，怎么展示、怎么跟用户交互、交互过程中的遇到的各种场景问题都是需要解决的。
• 同时，需要注意的是，推荐模型算法并非推荐系统的全部，推荐系统需要各个模块有效地协作在一起：

• 日志系统收集用户日志，从而为推荐系统提供原始数据；
• 大数据框架、流式计算系统从原始数据中提取信息，可供推荐模型作为输入；
• 在线学习系统要实时更新推荐模型，即进行动态训练更新：因为推荐算法面对的是数以亿计的用户，每个用户的行为记录时动态变化的；待推荐的物料(Item)也是十分庞大且是动态更新的。因此对推理的实时性要求很高，而且需要动态更新模型。
• A/B实验系统评估模型效果等；

• 因此，作为推荐算法工程师，要从推荐系统的全局角度思考问题，不要只局限于算法模型上。

1、数据收集和预处理

• 用户行为数据：记录用户与系统交互的行为，如浏览、点击、购买、播放、搜索、收藏、点赞、评论、转发等。
• 用户特征数据：包括用户的基本信息、偏好设置、社交网络信息等。
• 物品（Item）特征数据：物品的属性信息，如类别、标签、价格等。
• 有结构化的的数据，也有非结构化的文本、图片、音频、视频数据等：

• 例如在给Item打标签的过程中，可以直接人工打上一些类别标签；也可以由内容理解算法根据封面、标题等自动完成（例如：”豆瓣评分9.3，最恐怖的喜剧电影—楚门的世界“；可以打的标签：”电影，喜剧，真人秀，金凯瑞“等）
• 将所有Item组织到一起，在简单的推荐系统中，可以建立倒排索引（类似哈希表，键为标签，值为打上这个标签的所有Item）；建立的倒排索引后续可用于召回排序等

• 数据预处理包括清洗（去除噪声和异常值）、归一化、缺失值处理等步骤。

1.1、推荐系统的数据架构

• 推荐系统中所涉及到的数据包含User和Item的大量数据，而互联网的大数据系统中极其复杂，为了应对这种复杂性，大多使用了Lambda架构。推荐系统中存在的难点如下：

1）要统计过去一段时间内内的历史数据，但互联网系统每天的日志量以TB计，要回溯的历史越长，计算量也就越大
2）时间要求非常高，线上预测时，从接收用户请求到返回推荐结果的总耗时要控制在几十毫秒，而还需要留大部分时间在模型推理上，因此可供数据处理和特征计算的时间会很短
3）冷数据和热数据的问题。冷数据（Cold Data）是指回溯在Hadoop分布式文件系统（Hadoop Distributed File System，HDFS）上存储的那部分日志；但由于HDFS只支持批量读写的性质，还会存在一部分历史数据未来得及组成日志，未落盘到HDFS上，这部分数据为热数据（Hot Data）。例如：下午3点想获取历史数据，但HDFS的日志只保留到下午1点，1点至3点的数据为热数据。

• Lambda架构可以应对这些问题，主要包括以下几点：
  

1）将数据请求拆分为冷数据、热数据两个子请求；
2）针对冷数据的子请求，由离线层批量完成计算，近线层缓存并提供快速查询；
3）针对热数据的子请求，由在线层基于流式算法进行处理；
4）汇总从冷、热数据分别获得的子结果，得到最终的计算结果

• 例如，以计算每个视频的CTR为例，拆分为两个子请求：

1）在冷数据上计算长期、稳定的CTR_cold
2）在热数据上计算短期、当前的CTR_hot

• 离线层：可以启动一个定时任务，统计每个视频每个小时内的曝光数、点击数，要统计一周的CTR，汇总168（24*7）个中间结果即可。以上定时批量计算的任务构成了离线层，可以采用Hadoop、Spark、Flink等大数据框架完成，多个任务之间的协同通过Airflow完成
• 近线层：HDFS是一种擅长批量读写，但随机读写效率极低的存储介质，因此不利于线上快速读取。为了提高在冷数据的查询效率，可利用近线层，将离线层批量计算的结果存入Cassandra、Redis等键—值型数据库（可利用每个视频的ID作为键，进行快速检索）
• 在线层：通过Storm、Flink等流式计算框架，对接用户的行为数据流，不等数据落地，可以直接进行分析计算，结果可缓存在Redis的数据库中，在线层可以处理热数据，并不会占用太多资源

2、用户（user）画像和物品（item）画像的构建

• 用户（user）画像：对用户相关信息的客观描述。包含用户自身所带的属性，比如年龄、身高、体重、性别、学历、家庭组成、职业等等。再加上用户本身的行为数据
• 物品（item）画像：根据物品的属性和历史表现构建物品画像。例如物品的品类、价格、产地、颜色。另外，图片、音频、视频中，我们通过深度学习等技术也是可以提取关键词来作为画像特征的。
• 场景化数据：是用户在对物品进行操作时所处的环境及状态的特征。例如用户所在地理位置、当时的时间等等

所需要准备的数据：数值数据、类别数据、文本数据、图片数据、音视频数据等5类结构化或非结构化的数据。

3、特征工程

• 特征工程：就是将原始的各种来源、各种类型的数据加工成合适的形式，以输入到推荐模型中，使其发挥更大的威力。

• 有一种流行观点认为，深度学习能够使特征工程自动化，这种想法在推荐系统中是不合适的：
  1）DNN虽然可以拟合复杂的函数关系，但如果不进行合适的特征工程，很容易会出现各种训练的难点，例如梯度消失、梯度爆炸、过拟合、常见和罕见特征训练不均衡不充分等问题；
  2）就算使用DNN的隐式的、自动化的特征工程，其也会存在一定代价，例如耗时。DIN的Attention和SIM的搜索，都是比较复杂的计算，耗时与候选集规模成正比。而特征工程可以将计算压力从线上转移到线下，离线提取特征，供召回、粗排等环节的在线训练与预测。

• 特征提取：从原始数据中提取对推荐有帮助的特征。
• 特征选择：从众多特征中选出对模型最有用的特征，以提高模型效率和性能。
  

3.1、特征提取的框架

• 以下介绍几种类型的特征的提取框架，可以保证每种特征提取不重不漏，包括：物料画像、用户画像、交叉特征、偏差特征

Filed：为同一类Featue的集合，例如手机品牌
Feature： 具体的特征向量或特征值，例如苹果、华为、小米等

3.1.1、物料画像

• 待推荐的Item为物料，可以提取的物料特征包括：

1、物料属性信息

• 是最直接的信息，物料入库时即可获取
• 视频推荐场景：视频作者、作者等级、作者关注量、投稿分区、视频标题与简介、封面、时长等
• 电商场景：商品标题与简介、封面图片、所属商铺、品牌、价格、折扣等信息
• 值得注意的是，互联网大型推荐系统中往往会把物料的Item ID作为重要的特征，可以在物料侧提供给个性化的信息

如何理解？
1）Item ID作为类别特征，其特征空间的维度可能由几十、上百万，即高维稀疏的。但是之所以要将其作为一种特征，可以很简单直接的理解为，那些销量好的、播放好的、或者与用户非常相关的Item（例如数码爱好者，只要一推“iPhone 15 …”的ID就很可能点击），其ID本身就可以作为非常有用的信息，模型只需要记住，就可以取得不错的效果；
2）互联网大厂中，训练数据很多，因此Item ID作为特征还是有必要的

2、物料的类别与标签等静态画像（更加具体化的信息）

• 通过分析物料内容得到的间接信息
• 例如可以通过NLP算法（例如BERT）分析物料的标题、简介、评论等；通过CV算法（CNN）分析物料的封面或者视频的关键帧
• 分析的结果可以构成物料的静态画像（三个等级的类别特征）：

1）一级类别：是一个Field，例如：体育、电影、音乐等
2）二级类别：体育可以细分为足球、篮球等，…
3）标签：更细粒度的刻画物料，例如，篮球类别下又可以包含NBA、乔丹等

• 以上的内容理解算法一般会输出物料属于某个类别或标签的概率，例如{电影：0.9，音乐：0.3}

3、Embedding方法

• 上述利用CNN或BERT等算法得到的类别或标签的特征，会存在一个问题，即特征空间很稀疏，可能由上万个标签，而每个物料只包含某几个。
• 因此Embedding的思路是将这些模型的某一层的输出作为隐式的Embedding向量，其为物料特征输入到推荐模型中。

4、物料的动态画像（历史信息）

• 指的是物料的历史统计信息，是物料侧最重要的特征
• 一般可以从两个维度进行特征的提取：
  1）时间粒度：全生命周期、过去一周、过去1天、过去1小时，视频的短播记录、长播记录
  2）统计对象：CTR、平均播放时长、平均消费时长等
• 值得注意的是以下两点：

1）这些后验统计数据肯定存在一定偏差，一个物料的后验指标好不代表推荐给任何人都好（尤其是在召回粗排环节），在精排环节，动态画像还是有参考意义的，因为这些物料经过召回粗排，大部分还是跟当前用户相关的
2）可能不太利于新物料的冷启动。对于新物料，其后验指标是不存在或者不好的，可能导致获得较少的曝光机会。

5、用户与物料的交互历史信息（即用户给物料反向打标签）

• 可以将消费过/观看过某个物料的用户身上的标签传递并累积到这个物料上，以丰富物料画像

3.1.2、用户画像

• 可以分为用户的静态画像和动态画像两大类，如下：

1、静态画像

• 就是用户的年龄、性别、职业、籍贯、等等比较稳定的数据信息
• 但其实，实践中这些信息的作用十分有限：对于老用户，其历史行为记录足以反映其兴趣爱好，不需要这些静态画像；对于新用户，其作用也不明显：1）如果新老用户共用一个精排模型，由于老用户的样本多，会主导训练过程，也就很难重视这些对新用户友好的静态画像特征；2）如果新用户使用特定模型，又可能没有足够的数据进行训练。
• 但是，值得注意的是，用户ID（User ID）是一个非常重要的特征，与Item ID一样，可以提供用户侧细粒度的个性化信息，但会有一定缺点：

1）User ID会覆盖上亿用户，特征空间维度很大，但现代大型推荐系统采用了Parameter Server分布式存储模型参数，可以缓解上述问题；
2）活跃用户的User ID更加有用，大型推荐系统中还是以存量老用户为主，因此User ID还是一个很重要的特征

2、动态画像（用户的历史行为信息）

• 最简单的动态画像：将用户一段时间内交互过的每个物料映射为Embedding特征，再通过最大池化或平均池化聚合为一个向量

• 再复杂一点，可以像DIN或SIM一样，通过注意力机制，以不同的权重获取用户兴趣向量

• 这种方式的缺点是必须在线进行，会导致耗时很长，与序列长度*候选集规模成正比
  

• 因此，可以采用Hadoop、Spark等大数据平台，实现“离线提取，在线查询”的方法，耗时短，适合于召回、粗排等环节，但由于是离线提取，可能不能够及时捕捉用户的兴趣迁移

• 具体来讲，可以从6个维度来获取用户行为向量：

1）用户粒度：单个用户或一群用户
2）时间粒度：比如过去1周、1小时，过去一百次曝光等
3）物料属性：比如视频的类别和标签、作者等
4）动作反馈类型：比如正向的：点赞、收藏、转发；负向的：不感兴趣、点踩
5）统计对象：比如次数、时长、金额、点击率
6）统计方法：加权、平均等

3.1.3、交叉特征

• 深度学习模型中可以自动完成特征交叉，但进行人工的特征交叉也会有一定作用，也需要进行了解
• 可以分为笛卡尔积和内积两种
  1）笛卡尔积：将两个Field的Feature进行简单的两两组合
  2）内积：将映射后的向量进行内积计算，得到的可以是物料的相关程度、用户对物料的匹配程度等

3.1.4、偏差特征

• 推荐系统中固有存在偏差：即用户点击的未必是他喜欢的，未点击的也不代表用户一定不喜欢
• 最常见的是位置偏差：
  
• 解决位置偏差的方法，一种方法是更严格地定义正负样本，例如：Above Click规则，只有位于被点击物料上方的未点击物料，才能纳入训练样本
  
• 另一种方法是将位置信息作为特征输入模型中，通过一个线性层接入模型，不要与正常特征一起输入模型，类似残差结构。
• 由于输入的伪特征值（由于预测推理时无法知道具体位置，可以统一填充为0，认为都是最醒目的位置）经过线性层的输出相等，因此这种模式并不会影响真实排序。
• 具体来讲，训练时，将真实位置信息输入模型；推理时，输入统一的伪特征值。之所以使用这种模式，是因为训练时增加旁路分支，可以根据位置信息更新原本模型的参数，从而引入偏差特征。
• 上述详见《互联网大厂推荐算法实战》P24。
  

3.2、数值特征的处理

• 直接将数值特征输入模型，很可能导致训练不收敛，因此需要经过一定的预处理：缺失值的处理、标准化、数据平滑与消偏、分桶离散化等

3.2.1、缺失值的处理（使用均值或中位数替代）

• 可以使用所有样本、或者某个类别的样本中的均值或中位数替代缺失值
• 可以训练一个模型来预测缺失值

3.2.2、标准化

• 标准化的目的是将不同量纲、不同取值范围的数值特征都压缩到同一个数值范围内，从而使训练更稳定。
• 最常用的标准化为z-score标准化，即减均值、除标准差
• 推荐系统中常见的是一些长尾分布的特征，可以先进行开方、取对数等再进行z-score标准化
  

3.2.3、数据平滑与消偏

• 例如，使用小样本计算CTR等，计算结果常常不可信，一件商品曝光了一次并被购买，购买了为100%，但肯定不可靠
• 因此这种可以采用威尔逊区间平滑
• 之前提到的位置偏差，也可以采用CoEC（Click over Expected Click）替代CTR来衡量物料的受欢迎程度。
• 详见《互联网大厂推荐算法实战》P27。

3.2.4、分桶离散化

• 类别特征可以更好地反映非线性关系，因此在实践中，可以将实数特征离散化为类别特征
• 离散方法就是分桶，即将实数特征划分为不同区间，即划分bin，看实数特征落入哪个bin，就将bin号作为类别特征
• 有三种实现方法：

1）等宽分桶：将特征值域均分为N等份
2）等频分桶：分完之后的各个bin内样本数大致相等（可以使用N个分位数）
3）模型分桶：例如使用决策树，其叶子节点的编号为离散化结果

3.3、类别特征的处理

• 推荐算法的特点之一就是特征空间主要由高维、稀疏的类别特征构成，即输入的特征向量维度高，且大部分为0，即稀疏。

1）推荐系统的基础是物料画像、用户画像。高维：有上万个标签；稀疏：每个Item可能只包含十几个标签。User ID、Item ID也都是类别特征
2）线上工程实现时更偏爱类别特征，因为稀疏的特性可以实现非零存储、排零计算、减少线上开销，提升预测实时性。以LR模型为例：

• 使用实数特征：$logit=w^{T}x+b$
• 使用类别特征：$logit=b+{\sum }_{j\in i|x_i\ne 0}{w}_j$
  使用类别特征时，只需要将非零特征对应的权重相加即可，不需要乘法运算，同时非零值很少（由于稀疏），运算速度更快。

• 在实践中，需要将类别特征映射为固定维度的Embedding特征向量，可通过映射表模式或者特征哈希模式（分别用于小型推荐系统和大型推荐系统中）

3.3.1、映射表模式

• 建立一个字符串（类别特征）到数字的映射表，映射后的整数是Embedding矩阵中的行号，接口获取对应的Embedding向量
• 这种方式需要额外维护一个映射表，维护成本较高，因为需要进行更新，因此大型推荐系统中更多使用特征哈希模式
  

3.3.2、特征哈希（Feature Hashing）

• 特征哈希（Feature Hashing）将输入的字符串映射为一个0-N的整数x，N是Embedding矩阵的总行数，具体来讲，x是先映射为哈希值后再对N取余数得到的
• 这种方式可以使若干Field共享一个特征哈希模块与对应的Embedding矩阵，而不需要让各个Field拥有独立的Embeddi矩阵，利用率更高，使大型推荐模型的主流方法，是互联网大厂映射类别特征的标准手段。
  

4、推荐算法

4.1、推荐算法概览

• 召回：当面对大量的用户和内容时，通常会首先通过召回策略，将数百万量级的内容缩小到万量级。这一步是为了筛选出可能与用户兴趣相匹配的初步候选内容。

• 在推荐系统链路中越靠前的环节，其面对的候选集规模越大。因此召回算法需要采用技术较简单、精度稍差而速度较快的算法
• 在推荐系统中，召回模块主要采用的是”离线计算+在线缓存“的模式实现对上百万规模的候选集的快速筛选：1）离线处理：百万级的候选Item在离线状态处理好，并存入数据库中建立索引，例如之前的倒排索引；2）在线召回：只需花费索引中的检索时间，以满足实时性的要求
• 召回模块一般采用多路召回的方式。
• 需要注意的是：召回与排序（特别是精排）在设计目的、输入数据规模、应用场景上有着天壤之别，二者区别很大

• 过滤：对于某些内容不可重复消费的领域进行过滤，例如：实时性较强的新闻，当用户已经对某内容进行了曝光或点击后，这些内容将不再被推送到用户面前；需要考虑用户的地理位置和时间，推荐的外卖商家不可能太远，也要考虑到当前的时间；生鲜海鲜类商品在时效性、季节性等方面都需要考虑。这一步骤确保了用户接收到的推荐内容的新颖性和多样性。
• 粗排+精排：对经过召回和过滤后的内容进行排序。这一步通常基于各种复杂的规则和算法，将百量级的内容按照某种顺序进行排列，以便按照优先级推送给用户。

• 粗排在召回之后，主要是将万级规模筛选到千级规模，用于后面的精排；
• 主流粗排模型仍使用”离线计算+在线缓存“的模式，因此和召回一样，不能使用用户信息与物料信息交叉的特征与结构。
• 精排是从上游筛选出的千级规模的物料中，精选出几十个最符合用户兴趣的物料进行个性化的推荐：设计重点就是提升预测精度，因此会采用更复杂的模型，且重点在于用户信息和物料信息充分的交叉，因此会采用更复杂的交叉特征和结构。

• 混排/重排：为了避免推荐内容越来越窄，导致用户兴趣受到限制，混排步骤会对精排后的结果进行一定的修改。例如，通过控制某一类型内容的出现频次，确保推荐结果的多样性和平衡性。
  

4.2、推荐算法中的Embedding

• 从非常简略和概述的角度来讲，推荐算法的核心问题在于记忆与扩展。记忆，简单来说就是希望能记住常见、高频出现的模式，即记住历史上出现的所有模式；扩展，简单来说就是能够挖掘出潜在的、低频小众的模式，即扩展出用户喜欢的新模式
• 然而，传统的推荐算法强于记忆，弱于扩展。例如：根据评分卡，利用LR进行CTR的预测，这种算法记忆性强，但难以扩展出新模式
• 因此，可以引入深度学习中的Embedding操作，即将类别变量映射为稠密向量，可以引入更多潜在抽象的信息，例如：先把每个样本的类别特征编码为one-hot向量，可通过简单的线性层映射为固定维度的Embedding向量
• 实际操作中，常见的两种embedding方式有：共享和独占

1）共享：简单来说，就是共用同一个Embedding层，例如召回的双塔模型；排序中的FM（因子分解机）。

由于共享，会导致一个缺点，多目标训练时，同一套Embedding可能会互相干扰。例如：同时优化点击率、购买率、转发率等，某些重要特征如果只使用同一个Embedding层，各个目标之间可能会相互干扰，因此常采用独占方式，即使用多个Embedding层，例如MMOE多目标优化的算法

2）独占：简单来说，就是对于不同的目标，使用不同的Embedding层，例如：FFM（域感知因子分解机）、CAN（Co-Action Network）

FFM：是FM的改进版本，原本的FM在特征交叉时，其每个特征的Embedding权重是共享的，因为每个特征与不同特征交叉时使用的是同一个$v_i$。而FFM是：每个特征与不同特征交叉时，根据对方特征所属的Filed使用不同的Embedding权重
CAN：将$E_{item}$拆分为K段，每段子向量reshape为小的Embedding层的权重矩阵$W_i$，用户特征$E_{user}$输入到多个层中得到特征交叉后的结果。

5、推荐列表生成

• 根据模型预测的用户对物品的兴趣程度，生成个性化的推荐列表。
• 以及后续的在线评估与优化迭代。

6、常见的推荐产品形态

• 热门/榜单推荐、个性化推荐、信息流推荐、物品关联推荐

1） 热门推荐

• 有两种实现方式：一种是所有用户推荐的都是完全一样的，计算全局的TopN物品（比如根据播放量排序的TopN列表；或者基于多种策略获得的TopN列表）然后推荐给用户；另一种是先计算全局的TopM物品，然后根据用户的兴趣特征对这M个物品基于用户兴趣排序，将排在前面的N个物品推荐给用户（相当于取了个子集）
• 可以作为其他推荐（比如个性化推荐）的冷启动策略，即当一个用户是新用户时，我们无法知道他的兴趣点，这时我们可以利用热门推荐作为该用户的初始推荐

2）个性化推荐

• 最常见的推荐形式，基于内容和协同过滤的推荐算法

3）信息流推荐

• 信息流推荐其实是个性化推荐的一种特例，只不过是采用实时信息流的方式与用户进行交互的。例如抖音快手这种

4）物品关联推荐

• 物品关联推荐是用户在浏览物品详情页时，或者浏览后退出详情页时，关联一批相似或者相关的物品列表。

7、搜索、推荐、广告的区别

• 搜广推是互联网业务的三驾马车，推荐和搜索负责留住用户，生产流量；而广告负责将流量变现。
• 搜索推荐都是针对用户本身进行的；而广告针对的是用户和广告商。其本质都是针对用户需求找到最匹配的信息
• 从算法本身来讲，三者很相似，都遵循”召回模块初筛，排序模块精选“
• 从数据架构上，三者都遵循Lambda架构
• 推荐和搜索最大的区别在于用户表达需求的方式不同：搜索中，用户主动输入查询语句，这是最重要的信息来源。因此搜索中最重要的特征是查询语句和物料信息的交叉；而推荐中是用户信息和物料信息的交叉
• 推搜与广告的区别：

• 广告的目的是为了变现，因此涉及到了用户、广告主、平台三方的利益，其复杂度更高，优化难度更高；
• 广告涉及到的转化链条很长（例如APP的广告，从点击广告、下载安装注册、成功下单才是一次完整转化），因此其正样本少，特征稀疏；
• 最重要的是预测出的CTR/CVR要参与广告费用的结算，其预测精度要求更准确。

参考链接：
《互联网大厂推荐算法实战》，赵传霖