写点什么

多任务学习在推荐算法中的应用(三)

2020 年 1 月 07 日

多任务学习在推荐算法中的应用(三)
  1. 阿里 ESM2


Conversion Rate Prediction via Post-Click Behaviour Modeling


前面已经介绍过一种基于多任务学习的 CVR 预估模型 ESMM,但对于 CVR 预估来说,ESMM 模型仍面临一定的样本稀疏问题,因为 click 到 buy 的样本非常少。但其实一个用户在购买某个商品之前往往会有一些其他的行为,比如将商品加入购物车或者心愿单。如下图所示:



文中把加购物车或者心愿单的行为称作 Deterministic Action ( DAction ),表示购买目的很明确的一类行为。而其他对购买相关性不是很大的行为称作 Other Action ( OAction )。那原来的 Impression→Click→Buy 购物过程就变为:



Impression→Click→DAction/OAction→Buy 过程。


ESM2 模型结构:



那么该模型的多个任务分别是:


❶ Y1:点击率


❷ Y2:点击到 DAction 的概率


❸ Y3:DAction 到购买的概率


❹ Y4:OAction 到购买的概率


并且从上图看出,模型共有 3 个 loss,计算过程分别是:


❶ pCTR:Impression→Click 的概率是第一个网络的输出。


❷ pCTAVR:Impression→Click→DAction 的概率,pCTAVR = Y1 * Y2,由前两个网络的输出结果相乘得到。


❸ pCTCVR:


Impression→Click→DAction/OAction→Buy 的概率,pCTCVR = CTR * CVR = Y1 * [(1 - Y2) * Y4 + Y2 * Y3],由四个网络的输出共同得到。其中 CVR=(1 - Y2) * Y4 + Y2 * Y3。是因为从点击到 DAction 和点击到 OAction 是对立事件。


随后通过三个 logloss 分别计算三部分的损失:



最终损失函数由三部分加权得到:



  1. YouTube 多目标排序系统


Recommending What Video to Watch Next: A Multitask Ranking System


本文主要解决了视频推荐场景下普遍存在的两个问题:


❶ 视频推荐中的多任务目标。比如不仅需要预测用户是否会观看外,还希望去预测用户对于视频的评分,是否会关注该视频的上传者,否会分享到社交平台等。


❷ 偏置信息。比如用户是否会点击和观看某个视频,并不一定是因为他喜欢,可能仅仅是因为它排在推荐页的最前面,这会导致训练数据产生位置偏置的问题。


模型结构:



从上图可知,整个模型需要预测两大类目标,分别是:


❶ Engagement objectives:主要预测用户是否点击和观看视频的时长。其中通过二分类模型来预测用户的点击行为,而通过回归模型来预测用户观看视频的时长。


❷ Satisfaction objectives:主要预测用户在观看视频后的反馈。其中使用二分类模型来预测用户是否会点击喜欢该视频,而通过回归模型来预测用户对于视频的评分。


模型中有两个比较重要的结构:Multi-gate Mixture-of-Experts ( MMoE ) 和消除位置偏置的 shallow tower。


MMoE 的结构为:



Shallow tower 的结构为:



通过一个 shallow tower 来预测位置偏置信息,输入的特征主要是一些和位置偏置相关的特征,输出的是关于 selection bias 的 logits 值。然后将该输出值加到子任务模型中最后 sigmoid 层前,在预测阶段,则不需要考虑 shallow tower 的结果。值得注意的是,位置偏置信息主要体现在 CTR 预估中,而预测用户观看视频是否会点击喜欢或者用户对视频的评分这些任务,是不需要加入位置偏置信息的。


  1. 知乎推荐页 Ranking 模型


上图是知乎在推荐场景下使用的多目标模型,预测的任务包括点击率、收藏率、点赞率、评论率等,共 8 个目标。可以看出知乎的做法也是底层 embedding 和 DNN 前几层权重设置成共享。损失函数可设置成这几个 task 的简单线性加权和。上线后线上性能:点击率基本不变,而其他的几个指标,比如点赞,收藏大幅提升。


  1. 美图推荐排序多任务


模型结构:


如上图,Multi-task NFwFM 模型的前几个隐层是共享的。在最后即将预估多个目标时通过全连接层进行拆分,各自学习对应任务的参数,从而专注地拟合各自任务。在线上预估时,因为模型尺寸没有变化,推理效率和线上的点击率预估模型一致。考虑到我们是在点击率任务的基础上同时优化关注转化率,融合公式上体现为优先按照点击率排序再按照曝光→关注的转化率排序。Multi-task NFwFM 已在美图秀秀社区首页 Feeds 推荐、相关推荐下滑流全量上线。首页 Feeds 点击率+1.93%,关注转化率+2.90%,相关推荐下滑流人均浏览时长+10.33%,关注转化率+9.30%。


  1. 小结


当我们在推荐场景需要同时优化多个目标时,多任务学习就可以派上用场。那反过来思考一个问题,在什么样的情况下,多任务学习会没效果呢?其实也很容易想到,当多个任务的相关性没那么强时,这些任务之间就会相互扰乱,从而影响最后的效果。


最后总结下现在多任务学习模型的主要使用方式:


❶ 底层 embedding 和 mlp 参数共享,上层演化出各个任务的分支,最后 loss 函数是各个任务的简单加权和。


❷ 通过多任务之间的关系来建模出新的 loss 函数,比如阿里的 ESSM,ESSM2。


❸ 通过 Multi-gate Mixture-of-Experts ( MMoE ) 这种特殊的多任务结构来学习出不同任务的权重,比如 YouTube 的多任务模型。


参考链接:


https://arxiv.org/pdf/1804.07931.pdf


https://www.jianshu.com/p/35f00299c059


https://arxiv.org/pdf/1805.10727.pdf


https://www.jianshu.com/p/aba30d1726ae


https://tech.meituan.com/2018/03/29/recommend-dnn.html


https://zhuanlan.zhihu.com/p/70940522


https://arxiv.org/abs/1910.07099


https://www.jianshu.com/p/c06e9ed08dd1


https://www.jianshu.com/p/2f3dbbfc16a6


https://zhuanlan.zhihu.com/p/89401911


知乎推荐页 Ranking


原文链接:


https://zhuanlan.zhihu.com/p/78762586


https://zhuanlan.zhihu.com/p/91285359


本文转载自 DataFunTalk 公众号。


原文链接:https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247496333&idx=1&sn=da03f8db68e5276cffe73e090ac271ec&chksm=fbd740e1cca0c9f76da90a713311bac81e9890c1f9fd69976705e167dd30e4135db6ea297d6b&scene=27#wechat_redirect


2020 年 1 月 07 日 09:50304

评论

发布
暂无评论
发现更多内容

关于HSTS - 强制浏览器使用HTTPS与服务器创建连接

遇见

https 安全 浏览器 TLS 证书

给业务线的总经理多交代了几句

泰稳@极客邦科技

创业 效率 团队管理

机房运维需要了解东西

Spider man

程序员陪娃看绘本之启示

孙苏勇

生活 程序员人生 读书 成长 陪伴

个人知识管理精进指南

非著名程序员

学习 读书笔记 知识管理 认知提升

Idea工程启动时报错:Command line is too long

玏佾

intellij-idea

过滤数组中重复元素,你知道最优方案吗?

麦叔

数据结构 数组 数组去重

我敢说 80% 的程序员都掉进了「老鼠赛跑」的陷阱

非著名程序员

读书笔记 程序员 程序人生 提升认知

像黑客一样思考

Fooying

黑客思维 黑客 安全攻防

国内10大前端团队网站

有思且行

技术 前端 大前端

常用手机软件清单

彭宏豪95

效率工具 App 手机 移动应用

【SpringBoot】给你的 CommandLineRunner 排个序

遇见

Java Spring Boot

Nginx代理Oracle数据库连接

遇见

MySQL nginx oracle 反向代理

公司大了,人多事杂,如何落地项目制?

树上

项目制 落地 公司管理 业务线 考核

媒体的经营 01 | 媒体/内容行业投资分析的维度

邓瑞恒Ryan

创业 内容 重新理解创业 媒体 投资

一个值得推荐的人才测量标准

Selina

像经营咖啡店一样扩容 Web 系统

Rayjun

Web 扩容

回"疫"录(1):口罩危机也许是一种进步

小天同学

疫情 回忆录 现实纪录

用python爬虫保存美国农业部网站上的水果图片

遇见

Python GitHub 爬虫

【SpringBoot】为什么我的 CommandLineRunner 不 run ?

遇见

Java Spring Boot

【SpringBoot】为什么我的定时任务不执行?

遇见

Java Spring Boot 定时任务 debug

Fire Fast 再深一层的是什么?

树上

管理 考核 Fire Hire 用人

复用到何种程度

孙苏勇

Java 程序设计 复用 面向对象 抽象

当我们在说5G网络安全的时候,究竟在说什么?

石君

5G 5G网络安全 5G安全 网络安全

Windows环境MySql8.0忘记root密码重置

玏佾

MySQL

dubbo-go 中如何实现路由策略功能

joe

golang Apache 开源 微服务架构 dubbo

太慢是不行的

池建强

创业 产品

Java中的Stream用还是不用

孙苏勇

Java 流计算 程序设计 性能

如果明天没有恐惧——两小时看完余欢水后想到的……

伯薇

个人成长 心理学 小说 恐惧

死磕Java并发编程(3):volatile关键字不了解的赶紧看看

七哥爱编程

Java Java并发 volatile

如何画一个闹钟

池建强

视觉笔记

多任务学习在推荐算法中的应用(三)-InfoQ