需求與匹配 從數(shù)據(jù)挖掘角度看世紀(jì)佳緣推薦系統(tǒng)

昨天看到同事在朋友圈以及機(jī)器學(xué)習(xí)日?qǐng)?bào)推薦的這篇文章：《佳緣用戶推薦系統(tǒng)》，再結(jié)合自己之前的幾年的推薦系統(tǒng)經(jīng)驗(yàn)，以及在婚戀網(wǎng)站半年多的經(jīng)驗(yàn)，來(lái)談?wù)勎已壑械幕閼偈袌?chǎng)的推薦系統(tǒng)。

如作者所說，佳緣作為第一家也是中國(guó)最大的婚戀網(wǎng)站，的確在推薦系統(tǒng)上走了很多的彎路，但也正是這些彎路以及作者的分享精神，才給后來(lái)者的我們提供了許多一線的參考價(jià)值。我相信任何在今天看來(lái)不完善的，甚至有一些可笑的設(shè)計(jì)，在當(dāng)時(shí)都是有著合理性和必要性的。那么我再回顧自己的2011年如果開始從頭搭建這樣一套系統(tǒng)，是否能做成這個(gè)樣子，自認(rèn)也沒有這樣的把握。所以這篇文章純粹是站在我今天的角度來(lái)做點(diǎn)評(píng)和分析，也望大家多多探討。

首先，我們先順著作者的思路去看佳緣經(jīng)歷的推薦算法：

在2011年到2013年的算法年，佳緣嘗試了兩個(gè)算法方向，與我的想法非常背離，第一個(gè)不是最基本的Content-based，而是Item-based，相信Item-based算法大家都再了解不過，所以就不多做解釋。我們只來(lái)分析算法的業(yè)務(wù)應(yīng)用。Item-based是在構(gòu)建一個(gè)User-Item矩陣，然后計(jì)算Item-Item之間的相似度。那么具體到婚戀網(wǎng)站的業(yè)務(wù)場(chǎng)景，其實(shí)也就是構(gòu)建了一個(gè)Man-Woman的矩陣，將Woman當(dāng)做Item，計(jì)算Woman之間的相似度，這個(gè)算法場(chǎng)景基于背后的假設(shè)是認(rèn)為，如果一個(gè)男人喜歡一個(gè)女人，那么他必然喜歡和這個(gè)女人相似的女人，換句更直白的話說，每個(gè)男人都喜歡自己女朋友的閨蜜。相似，我們將User-Item矩陣做轉(zhuǎn)置后，可以繼續(xù)做Man的相似度，不再?gòu)?fù)述。

這個(gè)算法設(shè)計(jì)有如下幾個(gè)問題：

1. 如作者所說，給男性展示美女，男性的發(fā)信就會(huì)暴漲，這樣少量女性收到大部分信，而大多數(shù)女性卻收不到信。但是作者可能沒有把這部分給說透，如果單純從這一點(diǎn)來(lái)看，這并不是協(xié)同過濾算法本身的原因。這其實(shí)是一個(gè)惡性循環(huán)，算法本身就是基于了一個(gè)嚴(yán)重有偏的User-Item矩陣來(lái)計(jì)算相似度，于是產(chǎn)生的推薦結(jié)果最終會(huì)造成給所有人都推薦美女。

2. 但是這并非是一個(gè)無(wú)解的問題，我們回歸Item-based的本源思考為什么熱門的條目會(huì)受到額外的照顧，拋出業(yè)務(wù)場(chǎng)景，其實(shí)根源在于Cosine-Similarity里分母開的那個(gè)根號(hào)惹的禍，可以想象10000的平方根和1000的平方根到底有多大差別，其實(shí)罪魁禍?zhǔn)拙褪瞧椒礁趸藷衢T條目的作用，如果一定希望去調(diào)整，可以根據(jù)實(shí)際的業(yè)務(wù)情況去調(diào)整指數(shù)。

3. 稀疏性問題。對(duì)于婚戀網(wǎng)站來(lái)說，長(zhǎng)尾性和稀疏性比傳統(tǒng)的條目網(wǎng)站都大得多，大家可以想象一下大多數(shù)人來(lái)婚戀網(wǎng)站的目的，以及走在大街上看到美女的概率即可，所以單純的Item-based是無(wú)法解決問題的，只會(huì)造成大部分人可能一輩子都收不到一封信。但是這其實(shí)也有解，最粗暴的方法就是對(duì)于一部分用戶配合Content-based做隨機(jī)展示(對(duì)于展示哪一部分，我們之后再來(lái)具體說)。

4. 協(xié)同過濾的傳統(tǒng)問題，就不多說了，比如說實(shí)時(shí)性，參數(shù)調(diào)整的復(fù)雜性等等。

5. 具體到婚戀業(yè)務(wù)上來(lái)說，“如果一個(gè)男人喜歡一個(gè)女人，那么他必然喜歡和這個(gè)女人相似的女人”這句話結(jié)合業(yè)務(wù)場(chǎng)景和業(yè)務(wù)目標(biāo)是有著悖論的，我們做個(gè)邏輯推演，如果我喜歡某個(gè)女人，就會(huì)給這個(gè)女人發(fā)信，如果這個(gè)女人理我了，我就愿意和她“結(jié)婚”(記住，這里不是約炮)，那么我就不會(huì)也不應(yīng)該再去找其他女人。 如果這個(gè)女人看不上我，那么和她相似的人也不會(huì)看上我….. 所以…..我想大家應(yīng)該可以明白這個(gè)其中的問題了。

第二個(gè)嘗試也是我曾經(jīng)有段時(shí)間努力探索的：Reciprocal Recommendation。也許大家對(duì)這個(gè)不熟悉，我大概講一下，這種推薦算法廣泛地應(yīng)用于雙向選擇的業(yè)務(wù)場(chǎng)景下，例如求職網(wǎng)站，交友婚戀網(wǎng)站。不同于傳統(tǒng)的網(wǎng)站推薦系統(tǒng)，搭建的是基于條目的推薦系統(tǒng)，或者是基于用戶單向關(guān)注的推薦關(guān)系。求職網(wǎng)站給我推薦了一份Google CEO的工作，我會(huì)感興趣，但是他對(duì)我不感興趣是沒有意義的?；閼偻扑]也是如此。

那么這個(gè)算法解決的出發(fā)點(diǎn)很好，但是實(shí)話實(shí)說，其實(shí)paper一共就那么多，我總結(jié)著看了下，并沒有真正有用的東西，也沒有創(chuàng)造性的模型產(chǎn)生，只是對(duì)于傳統(tǒng)推薦算法的一個(gè)后過濾，整體思路就是把曾經(jīng)的無(wú)向圖變成了有向圖，分別求出Man–>Women，Woman->Man的雙向關(guān)系，然后或者相乘，或者搞一些奇怪的公式去做擬合。作者說不太靠譜，但是我認(rèn)為這個(gè)算法從思路上來(lái)說是對(duì)路的，無(wú)論是不是用他們那些莫名其妙的模型，但是作為思想的參考還是值得借鑒的。

接下來(lái)佳緣推薦算法的階段步入了2014的工程年，作者根據(jù)佳緣的團(tuán)隊(duì)及業(yè)務(wù)特點(diǎn)將佳緣推薦做了戰(zhàn)略上的調(diào)整，從比拼算法模型改成了比拼特征工程。我不了解佳緣的實(shí)際情況，不敢多做評(píng)價(jià)，只是從個(gè)人感覺來(lái)說也許作者從一個(gè)極端走到了另一個(gè)極端。從外界來(lái)猜測(cè)一下佳緣的實(shí)現(xiàn)思路：抽出各種各樣的特征，例如用戶的基本人口學(xué)信息，加上用戶的行為屬性信息等等，然后針對(duì)每個(gè)用戶訓(xùn)練一個(gè)分類器，來(lái)預(yù)測(cè)他是不是對(duì)對(duì)方感興趣。

那我們來(lái)聊聊邏輯回歸的根本問題吧：

1. 大部分信息大多都是離散值，而這些離散值之間并非是按照數(shù)字本身的意義有著明確的大小關(guān)系，這個(gè)如果用邏輯回歸，就會(huì)面臨讓人絕望的離散值連續(xù)化問題。

2. 如果把希望寄往于特征工程，就需要對(duì)每個(gè)特征都做深入的業(yè)務(wù)和數(shù)學(xué)化理解，而且調(diào)參這個(gè)事兒結(jié)合到婚戀網(wǎng)站超長(zhǎng)的訓(xùn)練反饋鏈，幾乎是無(wú)解的。不要去討論非監(jiān)督化的特征工程了，因?yàn)榛閼倬W(wǎng)站的業(yè)務(wù)特別明確，人工特征往往比泛化的非監(jiān)督特征工程好用得多。

3. 高維特征下邏輯回歸一樣會(huì)面臨維度爆炸的問題。

4. 邏輯回歸本質(zhì)上是廣義線性模型，但是這個(gè)假設(shè)是不是適用。

5. 最關(guān)鍵的是，邏輯回歸其實(shí)和最基本的感知機(jī)有什么不一樣，從圖形上面最基本的理解，其實(shí)就是把最兩端的長(zhǎng)尾巴給壓縮了一下，但是對(duì)于婚戀網(wǎng)站來(lái)說，恰恰最需要的就是這些長(zhǎng)尾巴的東西，因?yàn)檫@些長(zhǎng)尾巴是最能讓人付費(fèi)的動(dòng)力。

我相信接下來(lái)我說的很多嘗試和做法，佳緣都已經(jīng)嘗試過了，但是站在局外者的角度，我認(rèn)為除了傳統(tǒng)的特征工程以及算法模型的優(yōu)化外，其實(shí)接下來(lái)的這些才是婚戀網(wǎng)站推薦算法成功的關(guān)鍵(結(jié)合佳緣的模式: 收取用戶的看信費(fèi)用，其實(shí)我沒用過)：

1. 明確推薦評(píng)價(jià)指標(biāo)，這一點(diǎn)是老生常談，做任何一個(gè)系統(tǒng)前，尤其是數(shù)字化系統(tǒng)時(shí)，最重要的就是明確建立這個(gè)系統(tǒng)的指標(biāo)。對(duì)于婚戀推薦系統(tǒng)來(lái)說，最核心的指標(biāo)無(wú)外乎付費(fèi)的轉(zhuǎn)換率，那么繼承OKR的思路，我們來(lái)對(duì)這個(gè)指標(biāo)進(jìn)行拆解Key Result，想提高付費(fèi)轉(zhuǎn)換率有幾點(diǎn)需要提高: A. 收信人的覆蓋率 B. 發(fā)信者的動(dòng)力 C. 收件人的看信意愿(付費(fèi)意愿)，那么接下來(lái)逐漸說

2. 識(shí)別優(yōu)質(zhì)資源，對(duì)于婚戀系統(tǒng)來(lái)說，帥哥就那么多，美女也就那么多，付費(fèi)用戶更是就那么多，所以識(shí)別用戶成為了婚戀網(wǎng)站的重中之重。所以婚戀網(wǎng)站的第一步不是推薦問題，而是一個(gè)用戶從多維度的分類問題。

3. 懂得取舍。我們繼續(xù)做邏輯推演，用戶到底愿意給什么人發(fā)信，但是到底什么人才愿意讓用戶看信。接下來(lái)什么用戶才會(huì)愿意為了一封信而付費(fèi)。其實(shí)這個(gè)時(shí)候問題已經(jīng)變成了，如何給優(yōu)質(zhì)用戶看到他感興趣的人，而這個(gè)人又對(duì)他感興趣，而且這個(gè)人恰恰又愿意付費(fèi)。這個(gè)邏輯鏈條太長(zhǎng)了。根本沒辦法來(lái)做，我們來(lái)精簡(jiǎn)邏輯鏈條，發(fā)信其實(shí)是成本最低的，而且可以通過鼓勵(lì)或者產(chǎn)品引導(dǎo)來(lái)讓用戶發(fā)信，所以我們把第一層邏輯去掉。我們倒著來(lái)推，把問題轉(zhuǎn)換為識(shí)別出最愿意付費(fèi)的那些用戶，然后找到這些用戶感興趣的用戶，通過產(chǎn)品引導(dǎo)讓這些用戶發(fā)信。

4. 推薦理由。對(duì)于婚戀推薦來(lái)說，推薦理由比傳統(tǒng)的網(wǎng)站要重要得多，因?yàn)槟阋鞔_給用戶一個(gè)付費(fèi)的理由，關(guān)于傳統(tǒng)的推薦理由，就不再?gòu)?fù)述了，無(wú)外乎你們具有相同的屬性，喜歡這個(gè)人的也喜歡，等等。但是最近的那篇<New Direction in Recommender System>也許會(huì)給我們一些額外的啟發(fā)，大家也可以直接看我之前的博文：<商品推薦算法 & 推薦解釋>。

5. Reciperocal Recommendation思想的業(yè)務(wù)化應(yīng)用。在之前，我簡(jiǎn)化了發(fā)信者發(fā)信這一鏈條的聯(lián)系，但是如果精細(xì)化來(lái)說，不妨用這樣的思想來(lái)做發(fā)信者和收信者之間的平衡。

6. 在做分類以及評(píng)分預(yù)測(cè)時(shí)，不妨針對(duì)業(yè)務(wù)的長(zhǎng)尾現(xiàn)象來(lái)做模型改造和模型選擇，因?yàn)橹挥行〔糠钟脩羰潜仨氁卫巫プ〉挠脩?，從這一點(diǎn)來(lái)說，邏輯回歸確實(shí)不合適。

7. 我掃了下作者2015的展望，我很期待，尤其是ADMM的應(yīng)用，目測(cè)我還沒見過身邊有人搞過，期待作者的嘗試結(jié)果。但是特征哈希這個(gè)事兒真的不靠譜，因?yàn)槿绻麤Q心做特征工程，那么特征哈希這個(gè)事情就顯得太遠(yuǎn)離業(yè)務(wù)本身而注重于泛化了，這樣子不適合邏輯回歸+特征工程這樣的戰(zhàn)略。

8. 從數(shù)據(jù)和算法出發(fā)的產(chǎn)品形態(tài)改進(jìn)。這個(gè)沒什么好說的了，其實(shí)我一直認(rèn)為婚戀網(wǎng)站的出路不在于算法和數(shù)據(jù)本身，而是能不能從數(shù)據(jù)跳出來(lái)對(duì)產(chǎn)品提出一些創(chuàng)意性改進(jìn)從而產(chǎn)生的產(chǎn)品模式和收費(fèi)模式的變革。去年我和很多VC聊過現(xiàn)在國(guó)內(nèi)資本市場(chǎng)對(duì)于婚戀市場(chǎng)的看法，大家無(wú)一例外都是搖頭，婚戀市場(chǎng)太久沒人去變革過了，至今的幾大網(wǎng)站仍然是十年前的玩法。