学习心得

• 通过task1的学习在脑海里建立DL背景的推荐系统架构：为了解决【在“信息过载”情况下，用户怎么高效获取感兴趣的信息】的问题，并且构建更好的拟合数据和表达能力的模型，深度学习上场了。其中DL推荐模型 = 召回层 + 排序层 + 补充策略与算法层 ，这里的模型指模型服务过程。
• 推荐系统的逻辑架构：对于某个用户U（User），在特定场景C（Context）下，针对海量的“物品”构建一个函数 ，预测用户对特定候选物品I（Item）的喜好程度的过程。
• 深度学习中 Embedding 技术在召回层的应用，做相关物品的快速召回，已经是业界非常主流的解决方案。排序层（也称精排层）是影响推荐效果的重中之重，也是深度学习模型大展拳脚的领域，因为深度学习模型灵活性高，表达能力强（因此非常适合于大数据量下的精确排序）。

PS：深度学习的发展，也推动着推荐系统数据流部分的革命（就是平时说的大数据开发岗了），让它能够更快、更强地处理推荐系统相关的数据。

回顾：

【王喆-深度学习推荐系统实战】开篇词

当学习一个全新领域，王喆大佬最想搞明白的是2个问题：
（1）这个领域能解决什么问题？
（2）这个领域有没有一个非常高角度的思维导图，让自己能了解该领域有哪些技术？
（3）针对深度学习，还有第三个问题：深度学习对推荐系统带来啥革命性变革？

一、推荐系统要解决的根本问题

无论什么推荐系统场景，如商品推荐、视频推荐、新闻推荐这些推荐场景，都有共同的逻辑框架，而推荐系统是“浩如烟海的互联网信息”和“用户兴趣点”之间的桥梁，我们的推荐系统要解决的就是在“信息过载”的情况下，用户如何高效获得感兴趣的信息。

二、推荐系统的逻辑架构

推荐系统要解决“人”与“商品信息”之间的关系。

2.1 三大信息

• 用户信息：而从“人”角度看，为了精准推测出“人”的兴趣点，推荐系统需要利用大量与“人”相关的信息，即历史行为、人口属性、关系网络等，它们可以被统称为“用户信息”。
• “场景信息”或“上下文信息”：在具体的推荐场景中，用户的最终选择一般会受时间、地点、用户的状态等一系列环境信息的影响。
• “物品信息”：比如说，在商品推荐中指的是“商品信息”，在视频推荐中指的是“视频信息”，在新闻推荐中指的是“新闻信息”。

2.2 推荐系统要处理的问题：

结合上图：
（1）对于某个用户U（User），在特定场景C（Context）下，针对海量的“物品”信息构建一个函数 ；
（2）该函数预测用户对特定候选物品I（Item）的喜好程度；
（3）再根据喜好程度对所有候选物品进行排序，生成推荐列表的问题。

三、深度学习对推荐系统的革命

在上面图一的推荐系统逻辑架构图中，中间的函数$f(U,I,C)$（一般称为推荐系统模型，后面直接说“推荐模型”）

3.1 传统的推荐模型

传统的推荐模型叠加了很多层，模型较为复杂，只能拟合出推荐函数的近似形式，而深度学习模型能最大程度的接近该最优形式。

3.2 深度学习推荐系统

• 深度学习复杂的模型结构应用于推荐系统，能够极大地增强推荐模型的拟合能力和表达能力，即使得推荐函数具有最优的表达形式。
• 深度学习模型的神经网络模拟很多用户兴趣的变迁过程，甚至用户做出决定的思考过程。比如阿里巴巴的深度学习模型——深度兴趣进化网络（如下图），它利用了三层序列模型的结构，模拟了用户在购买商品时兴趣进化的过程，如此强大的数据拟合能力和对用户行为的理解能力，是传统机器学习模型不具备的。

四、深度学习推荐系统的技术架构

深度学习推荐系统不是完全创新搞一个技术架构出来，而是对以前的架构模块修改，使得能支持深度学习的应用（类似的应用思想可以想在其他领域，如智能金融，医疗病例NLP应用等blabla的）。

在实际的推荐系统中，工程师需要着重解决的问题有两类：

• 与数据和信息相关，即“用户信息”“物品信息”“场景信息”分别是什么？如何存储、更新和处理数据？——数据和信息部分逐渐发展为推荐系统中融合了数据离线批处理、实时流处理的数据流框架。
• 与推荐系统算法和模型相关，即推荐系统模型如何训练、预测，以及如何达成更好的推荐效果？——算法和模型部分则进一步细化为推荐系统中，集训练（Training）、评估（Evaluation）、部署（Deployment）、线上推断（Online Inference）为一体的模型框架。

4.1 数据部分

推荐系统的“数据部分”主要负责的是“用户”“物品”“场景”信息的收集与处理。根据处理数据量和处理实时性的不同，我们会用到三种不同的数据处理方式，按照实时性的强弱排序的话，它们依次：客户端与服务器端实时数据处理、流处理平台准实时数据处理、大数据平台离线数据处理。

在实时性由强到弱递减的同时，三种平台的海量数据处理能力则由弱到强。因此，一个成熟推荐系统的数据流系统会将三者取长补短，配合使用。后面会提到具体的例子，比如使用 Spark 进行离线数据处理，使用 Flink 进行准实时数据处理等等。

大数据计算平台通过对推荐系统日志，物品和用户的元数据等信息的处理，获得了推荐模型的训练数据、特征数据、统计数据等。那这些数据都有什么用呢？具体说来，大数据平台加工后的数据出口主要有 3 个：

• 生成推荐系统模型所需的样本数据，用于算法模型的训练和评估。
• 生成推荐系统模型服务（Model Serving）所需的“用户特征”，“物品特征”和一部分“场景特征”，用于推荐系统的线上推断。
• 生成系统监控、商业智能（Business Intelligence，BI）系统所需的统计型数据。

推荐系统的数据部分是整个推荐系统的“水源”：

• 首先是水量要大，只有这样才能保证我们训练出的深度学习模型能够尽快收敛；
• 其次是“水流”要快，让数据能够尽快地流到模型更新训练的模块，这样才能够让模型实时的抓住用户兴趣变化的趋势，这就推动了大数据引擎 Spark，以及流计算平台 Flink 的发展和应用。

4.2 模型部分

推荐系统的“模型部分”是推荐系统的主体。模型的结构一般由“召回层”、“排序层”以及“补充策略与算法层”组成。
模型服务过程：推荐系统模型接收所有候选物品集，到最后产生推荐列表。
通过模型的训练确定模型结构、结构中不同参数权重值，以及模型相关算法和策略中的参数取值。

（1）模型的结构组成

• “召回层”一般由高效的召回规则、算法或简单的模型组成，这让推荐系统能快速从海量的候选集中召回用户可能感兴趣的物品。
• “排序层”则是利用排序模型对初筛的候选集进行精排序。
• “补充策略与算法层”，也被称为“再排序层”（$rerank$），是在返回给用户推荐列表之前，为兼顾结果的“多样性”“流行度”“新鲜度”等指标，结合一些补充的策略和算法对推荐列表进行一定的调整，最终形成用户可见的推荐列表。

为了评估推荐系统模型的效果，以及模型的迭代优化，推荐系统的模型部分还包括“离线评估”和“线上 A/B 测试”等多种评估模块，用来得出线下和线上评估指标，指导下一步的模型迭代优化。

（2）模型训练方法的分类

根据环境的不同，可以分为“离线训练”和“在线更新”两部分。

• 离线训练的特点是可以利用全量样本和特征，使模型逼近全局最优点。PS：可以看做是在线更新的预训练模型。
• 在线更新则可以准实时地“消化”新的数据样本，更快地反应新的数据变化趋势，满足模型实时性的需求。

（3）三点总结

• 深度学习中 Embedding 技术在召回层的应用。作为深度学习中非常核心的 Embedding 技术，将它应用在推荐系统的召回层中，做相关物品的快速召回，已经是业界非常主流的解决方案了。
• 不同结构的深度学习模型在排序层的应用。排序层（也称精排层）是影响推荐效果的重中之重，也是深度学习模型大展拳脚的领域。深度学习模型灵活性高，表达能力强（因此非常适合于大数据量下的精确排序）。工业界和学业界都在不断投入和迭代深度学习排序模型。
• 增强学习在模型更新、工程模型一体化方向上的应用，它让推荐系统可以在实时性层面更强。

PS：推荐系统的模型（策略层）一般分三个阶段，召回层(Embeding技术)、排序层(精排-深度模型)、增强学习。

五、作业

下面是 Netflix（一家流媒体公司） 的推荐系统的经典架构图，结合所学的推荐系统技术架构，问：哪些是数据部分，哪些是模型部分。

数据部分：event distribution, hadoop, query results, netflex.hermes, user event queue, netflix.manhattan.
模型部分：model training, models, online computation, online service, algorithm service.
nearline computation也属于数据部分，正中央的evcache等几个数据库可以看作数据部分和模型部分的接口。

Reference

《深度学习推荐系统实战》——王喆