1. 协同过滤

1.1 ItemCF

1.1.1实现原理

1. 量化用户对物品的兴趣 like(user, item)。例如：点击、点赞、收藏、转发各算一分
2. 物品相似度计算：
   Jaccard相似度，没有考虑不同行为的偏好程度
   
   余炫相似度，考虑用户喜欢的程度,其中V为喜欢item1和item2的用户交集.
   
3. 预估用户对候选商品的兴趣：j为用户历史交互商品集合
   

1.1.2 完整流程

用索引，离线计算量大，线上计算量小

1. 事先做离线计算，建立两个索引

• 建立user ——> item的索引：记录每个用户最近点击、交互过的物品ID
  • 目的：给定任意用户id，可以找到他近期感兴趣的物品列表
  • 存储形式：user_id: [(item_id, score兴趣分)
• 建立item ——> item的索引: 给定任意item_id，可以快速找到它最相似的k个items
  • 计算物品之间两两相似度
  • 对于每个物品，索引它最相似的k个物品
  • 存储形式：item_id：topK个最相似的[items_id, 相似度]

2. 线上做召回，用于实时推荐

• query用户id，通过user--> item索引，找到用户近期感兴趣的物品列表last-n。
• 对于last-n列表中每个item，通过item--> item的索引，找到top-k相似物品
• 对于取回的相似物品（最多有nk个），用公式预估用户对物品的相似分数
• 返回分数最高的100个物品，作为itemCF通道的返回结果。重复的把分数加起来，去重

1.2 UserCF

1.2.1 原理

• 用户相似度计算：降低热门物品权重
  
  注： nl: 用户喜欢物品l的用户数量，反应物品的热门程度， I 为用户u1和u2喜欢物品集合的交集
• 预估用户user对候选物品item的兴趣：
  

1.2.2 完整流程

1. 事先做离线计算

• 建立user--> item 的索引：
  • 记录每个用户最近点击、交互过的物品ID
  • 给定任意用户ID，可以找到他近期感兴趣的物品list
  • user_id：[(item_id, 兴趣分数),......]
• 建立user-->user的索引：
  • 对于每个用户，索引他最相似的k个用户
  • 给定任意用户id，可以快速找到他最相似的k个用户
  • user_id: 最相似的k个【(user_id, 相似度),…】

2. 线上做召回

1. 给定用户ID，通过user_id--->user_id索引，找到top-k相似用户
2. 对于每个top-k相似用户，通过user_id-->item索引，找到用户最近感兴趣的物品列表last-n
3. 对于召回的nk个相似物品，用公式预估用户对每个物品的兴趣分数

2. 图召回

2.1 Swing算法

背景：假如重合的用户是一个小圈子，当两件物品的受众完全不一样，圈子里很多人交互，这时就需要降低小圈子的权重，希望两个物品重合的用户广泛且多样。

模型原理：给用户设置权重，解决小圈子问题

物品相似度计算：

1. 定义两个用户的重合度：J为用户喜欢商品的集合

2. 物品相似度

overlap越大，用户u1和u2的重合度越高，则他们可能来自一个小圈子，要降低他们的权重

2.2 DeepWalk

1. node2vec
2. EGES
3. GraphSAGE

3. 向量召回

本质上讲是将召回建模成在向量空间内的近邻搜索问题，将用户和物品均由向量表示，离线构建索引，在serving时模糊近邻查找。

3.1 算法模型

1. DSSM 双塔召回：基本结构就是user和group侧分别用NN网络来拟合，最上层的神经元可认为是user和group的向量表征。CTR召回可以直接用点积+sigmod得到loss，时长模型可以用cos距离+mse计算loss
2. SENet双塔模型
3. FM召回：主体思路依旧是构建向量，然后离线建group_emd，线上计算user_emd再近邻查找。

3.2 具体实现

1. 离散特征处理

• 建立字典：把类别映射成序号
• 向量化：将序号映射成向量
  • One-hot编码：把序号映射成高维稀疏向量
  • Embedding：把序号映射成低维稠密向量

2. 向量模型存储

• 用户矩阵向量：列向量储存到key-value表
• 物品矩阵向量：

3. 近似最近邻查找

• 集成好的支持最近邻查找的系统：Milvus、Faiss、HnswLib
• 衡量最近邻的标准：
  • 欧式距离最小：L2距离
  • 向量内积最大（内积相似度)
  • 向量夹角余弦最大（cosine相似度）：工业界最常用。
    有些系统不支持，但只需要将向量做归一化，使二范数全等于1，内积就等于余弦相似度
• 向量数据预处理，划分不同的区间。
  • 方法：根据衡量最近临的标准划分，比如，余弦相似度，将空间划分成扇形区域
  • 每个区域用一个向量表示，然后建立索引,key：每个区域的向量,value：区域中所有点的列表

3.3 双塔模型

3.3.1模型结构

1. 用户塔
   拼接向量经过DNN输出用户表征向量,用户id： embedding Layer映射成embedding
   用户离散特征：one-hot —> embedding Layer
   用户连续特征：归一化、长尾特征取log、分桶等处理
2. 物品塔： 同用户塔

3.3.2 模型训练方式

• Pointwise: 把召回看作二元分类任务

  • 正样本：鼓励cos(a,b)接近于 +1
  • 负样本：鼓励cos(a,b)接近于-1
  • 经验：控制正负样本数量为1：2或者1：3

• Pairwise:

  • 训练样本：输入是一个三元组，（正样本、用户、负样本）
  • 计算cos(a,b+) 以及cos(a,b-) 基本想法：鼓励cos(a,b+) 大于cos(a,b-)
  • 损失函数：如果cos(a,b+) 大于cos(a,b-) +m,则没有损失
    否则，损失等于cos(a,b-)+m - cos(a,b+)

  Triplet hinge loss:
  

  Triplet logistic loss:
  

• Listwie:

  • 训练样本:一个用户，一个正样本，多个负样本
  • 分别计算：
    
  • 将上面计算的cos值通过softmax激活函数,得到n个预测值s，和为1
    通过CrossEntropyLoss(y,s)： y取1或0，所以也是最大化正样本的余弦相似度

3.3.3 正负样本

选择负样本的原理：
召回目标：快速找到用户可能感兴趣的物品
排序目标：区分比较感兴趣和非常感兴趣的物品

正样本

• 曝光且有点击的用户–物品二元组
• 问题：少部分物品占据大部分点击，导致正样本大多是热门物品
• 解决方案：过采样冷门物品或降采样热门物品
  降采样：以一定的概率（和出现次数正相关）抛弃一些样本，

负样本：

• 简单负样本：

  • 未被召回的物品，大概率是用户不感兴趣的
  • 从全体物品中做抽样，作为负样本
    • 均匀抽样：对冷门物品不公平。28法则， 正样本大多是热门物品，如果均匀抽样产生负样本，负样本大多是冷门物品
    • 非均匀抽样：目的是打压热门物品,负样本抽样概率与热门程度（点击次数）正相关
      
  • Batch 内负样本
    • 一个batch内有n个正样本，一个用户和n-1个物品组成负样本，这个batch内一共有（n-1）个负样本
    • 问题：这里有个问题，物品成为负样本的概率正比于点击次数，但应该正比于0.75次方，导致热门物品成为负样本的概率过大。
    • 修正：物品i被抽样到的概率为pi，则在做训练的时候，调整为cos(a,bi) - logpi。但线上做召回的时候仍旧使用cos(a,b)

• 困难负样本：

  • 被粗排淘汰的物品（比较困难）：能进入粗排的多多少少符合用户兴趣，但是不是那么强烈
  • 精排分数靠后的物品（非常困难）：符合用户兴趣，但未必是用户最感兴趣的，所以在精排中排名靠后的可以被视为负样本

对于双塔模型做召回，二元分类任务，让模型区分正负样本：

1. 把全体物品作为负样本，分类准确率高,因为负样本明显和用户兴趣不符
2. 被粗排淘汰的作为负样本，但他们多少和用户兴趣有些相关，分类准确率较低一些
3. 精排分数靠后的物品更容易分错

工业界训练数据：混合几种负样本，50%的负样本是全体物品，50%的负样本是没通过排序的物品。对于曝光但是没有点击，训练召回模型不能用这类负样本，训练排序模型会用这类负样本。

3.3.4 线上召回和更新

1. 线上召回

• 离线存储

  • 完成训练之后，用物品塔计算每个物品的特征向量b
  • 把<特征向量，item_id>保存到向量数据库Milvus、Faiss
  • 向量数据库建索引，以便加速最近邻查找

• 用户塔：用户的兴趣动态变化，而物品特征相对稳定（可以离线储存用户向量，但不利于推荐效果）

  • 给定用户id和特征，在线上计算向量a
  • 将向量a作为query调用向量数据库做检索查找
  • 返回余弦相似度最大的k个物品，作为召回结果

2. 模型更新

• 增量更新

  • 做online learning更新模型参数，用户的兴趣会随时发生变化
  • 实时收集线上数据，做流式处理，生成TFRecord文件
  • 对模型做online learning, 增量更新ID embedding参数。（不更新神经网络其他部分的参数）
  • 增量更新问题：小时数据有偏，分钟级数据偏差更大

• 全量更新

  • 在昨天的模型参数基础上做训练，并不是更新增量模型
  • 用昨天的数据，random shuffle，训练1 epoch，即每天的数据只用一遍
  • 发布新的用户塔神经网络和物品向量，供线上召回使用

随机打乱优于按顺序排列数据，全量训练优于增量训练

4. 行为序列建模召回

1. RNN序列召回
2. MIND多兴趣召回:其基本思想是用户兴趣多样，仅用一个向量表征用户兴趣是有偏的，如果能构建多个user_emd某种程度上就能召回出更全的候选，该论文采用胶囊网络来建模用户多种兴趣。
3. SDM长期兴趣建模

5. 其他召回通道

1. 地理位置召回
   用户可能对附近发生的事感兴趣

• GeoHash: 对经纬度的编码，地图上一个长方形区域
  索引：GeoHash-->优质物品列表（按照时间倒排）
• 同城召回：索引：城市---> 优质内容列表

2. 作者召回

• 用户对关注的作者发布的内容感兴趣
• 有交互的作者召回
• 相似作者召回

3. 缓存召回

背景：精排输出几百个物品，送入重排，重排做多样性抽样，选出几十篇，精排结果一大半没有曝光，被浪费。
想法：复用前n次推荐精排的结果，精排前50，但是没有曝光的，缓存起来，作为一条召回通道，缓存大小固定，需要退场机制

• 一旦商品成功曝光，就从缓存退场
• 如果超出缓存大小，就移除最先进入缓存的物品
• 每个物品最多被召回10次，达到10次就退场

6. 冷启动

6.1评价指标

1. 主播侧指标：发布渗透率、人均发布量
2. 用户侧指标：新专辑指标：新专辑的点击率、交互率

• 新笔记的点击率、交互率：

  • 问题： 曝光的基尼系数很大，少数头部新笔记占据了大部分的曝光

• 分别考察高曝光、低曝光新笔记

  • 高曝光：比如> 1000次曝光
  • 低曝光：比如<1000次曝光

3. 大盘指标：消费时长、日活、月活
4. 内容侧指标：高热专辑占比

6.2 简单的召回通道

1. 双塔模型做id embedding是，让所有新专辑共享一个id，而不是使用自己真正的id。default embedding
   改进： 使用相似物品的embeddding ，取topk个高曝光的相似物品

2. 类目召回、关键词召回：按照刚刚发布的时间顺序召回

6.3 聚类召回

基本思想：如果用户喜欢一件物品，那么那会喜欢内容相似的物品

1. 事先需要训练一个神经网络，基于专辑的类目和图文内容，把专辑映射到向量。
2. 对专辑向量做聚类，划分为1000cluster，记录每个cluster的中心方向。（k-means聚类，用余弦相似度）
3. 给定用户id，找到他的last-n交互的专辑列表，把这写专辑作为种子专辑，把每篇种子专辑映射到向量，寻找最相似的cluster。（知道了用户对哪些cluster感兴趣）
4. 从每个cluster的专辑列表中，取回最新的m张专辑
5. cnn提取图片，bert提取文本特征

6.4 Look-Alike召回

6.5 流量调控

流量怎么在新、老物品中分配，目的：

1. 促进发布，增大内容池。新专辑获得的曝光越多，作者的创作积极性越高。反映在发布渗透率、人均发布量。 挖掘优质笔记。
2. 挖掘优质笔记。做探索，让每篇新专辑都能获得足够曝光，挖掘的能力反映在高热专辑占比。

工业界的做法：PID技术

• 假设推荐系统只分发年龄小于30天的专辑
• 假设采用自然分发，新专辑（年龄小于24h）的曝光占比为1/30
• 扶持新专辑，让新专辑的曝光占比远大于1/30

流量调控技术的发展：

1. 在推荐结果中强插新物品
2. 对新物品的排序分数做提权boost：在排序阶段加上或乘上一个系数
3. 通过提权，对新物品做保量
4. 差异化保量

6.6 物品冷启动AB测试

指标：

• 用户侧：对新专辑的点击率、交互率
• 大盘侧：消费指标，消费时长、日活、月活

5%的用户侧实验

限定：保量100次曝光
假设：新笔记曝光越多，用户使用APP时长越低
新策略：把新专辑排序时的权重增大两倍。
结果（只看用户消费指标）：AB测试的diff是负数，实验组不如对照组，如果推全，diff会缩小