推薦系統(tǒng)發(fā)展至今，已經(jīng)形成了一個相對穩(wěn)定的鏈路。先召回(粗排)——>再排序（重排）。主要原因是隨著推薦數(shù)量的變大，需要先通過召回從億萬級別的推薦池中篩選出千百個用戶感興趣的商品，然后再進行精細的排序。所以，召回模型一般都要處理億萬級別的數(shù)據(jù)，而排序模型只需要處理千百級別的數(shù)據(jù)量。
今天筆者準備來介紹一個目前推薦系統(tǒng)的比較知名的一個召回算法——DSSM。全稱Deep Structured Semantic Model 深度語義網(wǎng)絡，本身nlp領域是用來做文本相似度計算的，現(xiàn)在被推薦領域用來做召回。接下來我們來看看，到底如何使用DSSM做召回。
雙塔模型細節(jié)
模型架構
模型架構入下圖所示：兩個非常標準的神經(jīng)網(wǎng)絡，一個用于生成User Embeding,一個用于生成Item Embeding.
這個模型的優(yōu)勢就是： User側的模型和Item 側的模型分離，后續(xù)serving時，只需將User側的模型部署到線上， Item Embeding存在向量數(shù)據(jù)庫，采用ANN檢索的方式進行在線召回，并且可以輕松處理萬億級別的相似度計算。
劣勢也是User側的模型和Item 側的模型分離，導致無法使用交叉特征，會大大影響模型最后的效果。
歸一化和溫度系數(shù)
雙塔模型中有兩個非常重要的概念：溫度系數(shù)與歸一化。這兩個概念都出現(xiàn)在雙塔模型的前向運算的運行過程中:
- 歸一化： 即User Embeding 和 Item Embeding 進行L2 歸一化之后，再進行向量的乘法運算，簡而言之就是進行cosine距離的計算。這一步的目的，其實是為了與后續(xù)部署過程中采用ANN向量檢索使用的距離保持一致。
- 溫度系數(shù)：模型輸出的最終結果 其實是 cosine距離/ temperature , 這其實是歸一化來一個問題，樣本計算出cosine距離在[-1,1]之間，會使得正負樣本差異變小，為了讓模型更好學習，更快的收斂，引入溫度系數(shù)去放大的模型計算出來的logit。
torch-rechub簡介
torch-rechub 是一個基于pytorch實現(xiàn)的推薦算法庫，目前已經(jīng)實現(xiàn)很多非常知名的召回和排序的算法，筆者推薦這個repo的原因是這個包的代碼可讀性很高，我從源碼中學習到了很多推薦模型的細節(jié)。項目地址如下：https://github.com/datawhalechina/torch-rechub。其中主要特性如下圖所示。
負采樣的藝術
負樣本的采樣再召回領域可謂是重中之重，這里筆者簡單介紹一下，torch-rechub目前實現(xiàn)的四種負樣本采樣算法。
0.隨機負采樣（random sampling）：在全局樣本中進行隨機采樣
1.word2vec基于流行度的負采樣方式（popularity sampling method used in word2vec ）：
這種采樣方式其實是借鑒了NLP領域詞向量訓練時的采樣方式,采用x^0.75去處理點擊次數(shù)， 公式如下：
i物品被選為負樣本的概率 = count_i^0.75 / sum(count_i^0.75 )
count_i 表示 物品i的點擊次數(shù)
2.log(count+1)基于流行度的負采樣方式（popularity sampling method by log）：
這是另外一種采樣方式，采用log(x)去處理物品的點擊次數(shù),公式如下，
i物品被選為負樣本的概率 np.log(count_i + 1) + 1e-6 / sum(np.log(count_i + 1) + 1e-6)
count_i 表示 物品i的點擊次數(shù)
3.tencent RALM sampling：
這是騰訊RALM模型提出的一種采用方式，公式如下：
i物品被選為負樣本的概率 = [ log(count_i + 2) - log(count_i + 1) / log(len(items) + 1) ] / sum([ log(count_i + 2) - log(count_i + 1) / log(len(items) + 1) ])
count_i 表示 物品i的點擊次數(shù),items表示物品集合。
具體優(yōu)勢可以去看一下tencent RALM這個模型的原文
但是推薦召回的負采樣算法不止這些，還可以再batch中進行采樣，或者再樣本中加一點hard 負樣本等等。負樣本采樣再召回領域非常重要，一個好的負樣本采樣算法可以直接將召回率提升很多。深度學習領域，一份好的訓練數(shù)據(jù)才是重中之重。接下來直接進入實戰(zhàn)部分。
torch-rechub的DSSM模型實戰(zhàn)部分
直接通過pip install torch-rechub就可以安裝 torch-rechub，通過下方代碼引入模塊。
import sys
import os
import numpy as np
import pandas as pd
import torch
from sklearn.preprocessing import MinMaxScaler, LabelEncoder
from torch_rechub.models.matching import DSSM
from torch_rechub.trainers import MatchTrainer
from torch_rechub.basic.features import DenseFeature, SparseFeature, SequenceFeature
from torch_rechub.utils.match import generate_seq_feature_match, gen_model_input
from torch_rechub.utils.data import df_to_dict, MatchDataGenerator
# from movielens_utils import match_evaluation
數(shù)據(jù)載入
讀取movielens的的數(shù)據(jù)集，數(shù)據(jù)集處理成下方格式。其中"user_id", "gender", "age", "occupation", "zip"是用戶特征，"movie_id", "cate_id"，"title"是電影特征。
data_path = "./"
unames = ['user_id', 'gender', 'age', 'occupation', 'zip']
user = pd.read_csv(data_path+'ml-1m/users.dat',sep='::', header=None, names=unames)
rnames = ['user_id', 'movie_id', 'rating','timestamp']
ratings = pd.read_csv(data_path+'ml-1m/ratings.dat', sep='::', header=None, names=rnames)
mnames = ['movie_id', 'title', 'genres']
movies = pd.read_csv(data_path+'ml-1m/movies.dat', sep='::', header=None, names=mnames)
data = pd.merge(pd.merge(ratings,movies),user)#.iloc[:10000]
# data = data.sample(100000)
特征預處理以及訓練集生成
采用下方代碼去處理上面數(shù)據(jù)，從下方代碼可知：
用戶塔的輸入：user_cols = ['user_id', 'gender', 'age', 'occupation','zip','hist_movie_id']。這里面'user_id', 'gender', 'age', 'occupation', 'zip'為類別特征，采用embeding 層映射成8維向量。'hist_movie_id'為序列特征，將用戶歷史點擊的moive_id 向量取平均。
物品塔的輸入: item_cols = ['movie_id', "cate_id"]，這里面'movie_id', "cate_id"均為類別特征，采用embeding 層映射成8維向量。
需要注意的是 用戶的hist_movie_id特征和物品的movie_id特征共享一個embeding層權重。
負采樣使用的word2vec的采樣方式，每個正樣本采樣2個負樣本。
def get_movielens_data(data, load_cache=False):
data["cate_id"] = data["genres"].apply(lambda x: x.split("|")[0])
sparse_features = ['user_id', 'movie_id', 'gender', 'age', 'occupation', 'zip', "cate_id"]
user_col, item_col = "user_id", "movie_id"
feature_max_idx = {}
for feature in sparse_features:
lbe = LabelEncoder()
data[feature] = lbe.fit_transform(data[feature]) + 1
feature_max_idx[feature] = data[feature].max() + 1
if feature == user_col:
user_map = {encode_id + 1: raw_id for encode_id, raw_id in enumerate(lbe.classes_)} #encode user id: raw user id
if feature == item_col:
item_map = {encode_id + 1: raw_id for encode_id, raw_id in enumerate(lbe.classes_)} #encode item id: raw item id
np.save("./data/raw_id_maps.npy", np.array((user_map, item_map), dtype=object))
user_profile = data[["user_id", "gender", "age", "occupation", "zip"]].drop_duplicates('user_id')
item_profile = data[["movie_id", "cate_id"]].drop_duplicates('movie_id')
if load_cache: #if you have run this script before and saved the preprocessed data
x_train, y_train, x_test, y_test = np.load("./data/data_preprocess.npy", allow_pickle=True)
else:
#負采樣使用的word2vec的采樣方式，每個正樣本采樣2個負樣本
df_train, df_test = generate_seq_feature_match(data,
user_col,
item_col,
time_col="timestamp",
item_attribute_cols=[],
sample_method=2,
mode=0,
neg_ratio=2,
min_item=0)
x_train = gen_model_input(df_train, user_profile, user_col, item_profile, item_col, seq_max_len=20)
y_train = x_train["label"]
x_test = gen_model_input(df_test, user_profile, user_col, item_profile, item_col, seq_max_len=20)
y_test = x_test["label"]
np.save("./data/data_preprocess.npy", np.array((x_train, y_train, x_test, y_test), dtype=object))
user_cols = ['user_id', 'gender', 'age', 'occupation', 'zip']
item_cols = ['movie_id', "cate_id"]
user_features = [
#類別特征
SparseFeature(feature_name, vocab_size=feature_max_idx[feature_name], embed_dim=8) for feature_name in user_cols
]
user_features += [
#序列特征，用戶歷史點擊的moive 向量取平均
SequenceFeature("hist_movie_id",
vocab_size=feature_max_idx["movie_id"],
embed_dim=8,
pooling="mean",
shared_with="movie_id")
]
item_features = [
SparseFeature(feature_name, vocab_size=feature_max_idx[feature_name], embed_dim=8) for feature_name in item_cols
]
all_item = df_to_dict(item_profile)
test_user = x_test
return user_features, item_features, x_train, y_train, all_item, test_user
結果如下，差不多20多萬個樣本，80000+正樣本，160000+負樣本。
user_features, item_features, x_train, y_train, all_item, test_user = get_movielens_data(data,load_cache=False)
模型訓練
定義好訓練參數(shù)，batch_size,學習率等，就開始訓練了。需要注意的是筆者的temperature設置的為0.02，意味著將用戶和物品 cosine距離值放大了50倍，然后去做訓練。
model_name="dssm"
epoch=2
learning_rate=0.001
batch_size=48
weight_decay=0.00001
device="cpu"
save_dir="./result"
seed=1024
if not os.path.exists(save_dir):
os.makedirs(save_dir)
torch.manual_seed(seed)
dg = MatchDataGenerator(x=x_train, y=y_train)
model = DSSM(user_features,
item_features,
temperature=0.02,
user_params={
"dims": [128, 64],
"activation": 'prelu', # important!!
},
item_params={
"dims": [128, 64],
"activation": 'prelu', # important!!
})
trainer = MatchTrainer(model,
mode=0,
optimizer_params={
"lr": learning_rate,
"weight_decay": weight_decay
},
n_epoch=epoch,
device=device,
model_path=save_dir)
train_dl, test_dl, item_dl = dg.generate_dataloader(test_user, all_item, batch_size=batch_size)
trainer.fit(train_dl)
訓練了5輪，可以看到loss在逐步下降。
效果評估
采用下方代碼進行效果評估，主要步驟就是：
- 將所有電影的向量通過模型的物品塔預測出來，并存入到ANN索引中，這了采樣了annoy這個ann檢索庫。
- 將測試集的用戶向量通過模型的用戶塔預測出來。然后在ann索引中進行topk距離最近的電影檢索，返回 作為topk召回。
- 最后看看用戶真實點擊的電影有多少個在topK召回中
"""
util function for movielens data.
"""
import collections
import numpy as np
import pandas as pd
from torch_rechub.utils.match import Annoy
from torch_rechub.basic.metric import topk_metrics
from collections import Counter
def match_evaluation(user_embedding, item_embedding, test_user, all_item, user_col='user_id', item_col='movie_id',
raw_id_maps="./data/raw_id_maps.npy", topk=100):
print("evaluate embedding matching on test data")
annoy = Annoy(n_trees=10)
annoy.fit(item_embedding)
#for each user of test dataset, get ann search topk result
print("matching for topk")
user_map, item_map = np.load(raw_id_maps, allow_pickle=True)
match_res = collections.defaultdict(dict) # user id -> predicted item ids
for user_id, user_emb in zip(test_user[user_col], user_embedding):
if len(user_emb.shape)==2:
#多興趣召回
items_idx = []
items_scores = []
for i in range(user_emb.shape[0]):
temp_items_idx, temp_items_scores = annoy.query(v=user_emb[i], n=topk) # the index of topk match items
items_idx += temp_items_idx
items_scores += temp_items_scores
temp_df = pd.DataFrame()
temp_df['item'] = items_idx
temp_df['score'] = items_scores
temp_df = temp_df.sort_values(by='score', ascending=True)
temp_df = temp_df.drop_duplicates(subset=['item'], keep='first', inplace=False)
recall_item_list = temp_df['item'][:topk].values
match_res[user_map[user_id]] = np.vectorize(item_map.get)(all_item[item_col][recall_item_list])
else:
#普通召回
items_idx, items_scores = annoy.query(v=user_emb, n=topk) #the index of topk match items
match_res[user_map[user_id]] = np.vectorize(item_map.get)(all_item[item_col][items_idx])
#get ground truth
print("generate ground truth")
data = pd.DataFrame({user_col: test_user[user_col], item_col: test_user[item_col]})
data[user_col] = data[user_col].map(user_map)
data[item_col] = data[item_col].map(item_map)
user_pos_item = data.groupby(user_col).agg(list).reset_index()
ground_truth = dict(zip(user_pos_item[user_col], user_pos_item[item_col])) # user id -> ground truth
print("compute topk metrics")
out = topk_metrics(y_true=ground_truth, y_pred=match_res, topKs=[topk])
print(out)
評估結果如下. Hit@100為0.233. 表示召回的100個電影中，有23個是用戶會點擊觀看的。
print("inference embedding")
user_embedding = trainer.inference_embedding(model=model, mode="user", data_loader=test_dl, model_path=save_dir)
item_embedding = trainer.inference_embedding(model=model, mode="item", data_loader=item_dl, model_path=save_dir)
match_evaluation(user_embedding, item_embedding, test_user, all_item, topk=100)
結語
這個模型的訓練過程還可以很多地方去調(diào)整，比如負采樣的方法和個數(shù)，比如溫度系數(shù)，比如用戶塔和物品塔的神經(jīng)元個數(shù)等等。希望大家可以多多嘗試，優(yōu)化最后的評估指標，同時去思考那些因素是對召回模型最重要的。下一篇筆者將介紹YotubeDNN召回模型，看看YotubeDNN再召回過程中和DSSM有哪些不同之處。
參考：
https://github.com/datawhalechina/torch-rechub
https://www.microsoft.com/en-us/research/wp-content/uploads/2016/02/cikm2013_DSSM_fullversion.pdf
https://zhuanlan.zhihu.com/p/165064102
