數(shù)據(jù)挖掘：推薦系統(tǒng)綜述以及美團(tuán)推薦系統(tǒng)介紹

文 | 宿痕
來源 | 知乎
其實推薦系統(tǒng)前面已經(jīng)講過不少，那時候主要是放在機器學(xué)習(xí)上講的，既然這次要系統(tǒng)擼一遍數(shù)據(jù)挖掘，就把推薦系統(tǒng)單獨拿出來說一說。相信如果做過推薦系統(tǒng)的人，都知道是什么回事。一堆features，一堆算法模型，一堆online、offline規(guī)則和計算，還有若干的場景。包括著名的netflix、Amazon做的推薦場景都有哪些，有哪些坑需要注意的，之前都有說過。
像阿里還時不時會搞搞天池算法大賽，像最近在弄一個簡歷篩選推薦算法競賽，有興趣的小伙伴都可以去參與了解下。拿些數(shù)據(jù)來練練，對自己經(jīng)驗的積累還是挺有好處的。
LZ最近也是在接觸量化投資，通過機器學(xué)習(xí)的方式來預(yù)測股價走勢以及買入賣出等，還是比較有意思啊，如果有做這塊的可以私下交流，當(dāng)然知道做這塊的相對來說都比較保守，畢竟策略、思想等東西都是比較寶貴。
閑話不多說，今天既然說到推薦系統(tǒng)概述，重點會推薦的場景、推薦的算法、推薦的架構(gòu)以及美團(tuán)的推薦算法都是怎么做的講下。
前面介紹的推薦的場景、算法介紹更適合剛?cè)腴T的同學(xué)了解，已經(jīng)在這塊領(lǐng)域馳騁疆場的老鳥可以直接跳步到后面的架構(gòu)和美團(tuán)案例上了。
推薦系統(tǒng)為何物？
先說個事實，為什么需要有推薦系統(tǒng)這個東西？
當(dāng)我們在龐大的一間圖書館里想找我們要看的一本書時；
當(dāng)我們在沃爾瑪超市想買個清潔劑時；
當(dāng)我們想在淘寶上搜個價格合適、質(zhì)量又不錯的衣服時；
當(dāng)海量的垃圾郵件和廣告不斷充斥著你的郵箱時；
當(dāng)我們的信息嚴(yán)重過載時，我們已經(jīng)沒辦法通過人的肉眼來篩選了。

沒錯，就是像樓上這哥兒們這樣，我們已經(jīng)茫然了！（聽取某些同學(xué)的意見，要求多放些圖片O(∩_∩)O）
所以應(yīng)運而生，出現(xiàn)了如Amazon的商品推薦

而據(jù)說Amazon的推薦系統(tǒng)給他們帶來35%的銷售！
還有像YouTube

netflix

天貓

google

這些案例不計其數(shù)，本質(zhì)上他們都解決了幾個問題：
用戶的信息過載；
更精準(zhǔn)的個性化推薦和營銷；
減少資源的浪費和最大化收益。因而推薦系統(tǒng)其實更多的是解決的資源分配的問題，當(dāng)然從用戶的角度來說是解決的信息篩選的成本問題。
不可避免推薦系統(tǒng)就把人、產(chǎn)品、數(shù)據(jù)這些都捆綁在一起。
而人、產(chǎn)品都是復(fù)雜的，怎么能夠通過推薦系統(tǒng)來實現(xiàn)量化呢？自然而然的就考慮到“人以類聚、物以群分”的feature。
這些feature的選擇是個開放的話題，主要是圍繞人的基本屬性、社會關(guān)系、金融資產(chǎn)、地理位置、信用歷史、行為偏好等維度去考慮。

一句話就是能把這個人的吃喝拉撒、從什么時候出生到活到多少歲、他們平時都接觸什么人、都在哪里活動、都做些什么事情都知道了。是不是想象就比較可怕，這樣作為個人還有隱私可言嗎？沒錯，數(shù)據(jù)安全、個人隱私問題是數(shù)據(jù)方面的一個重大話題。

而推薦作為機器學(xué)習(xí)中很重要的一個部分，它所解決的就是把這個人的過去歷史行為、用戶間的relation、item相似度、用戶的個人信息、item特征等信息綜合起來去打分，來評估預(yù)測這個用戶對于這個item的喜好程度。LR相比較DT的好處就是能圍繞最終result會有個probability。
推薦算法
常見的推薦算法有這些：

具體的算法公式我就不列了，講了可能會有人會看睡著。
CF遇到的問題就是1.冷啟動，沒數(shù)據(jù)的時候比較尷尬，本身需要大量的可信用戶數(shù)據(jù)來訓(xùn)練；2.數(shù)據(jù)稀疏的情況，；3.數(shù)據(jù)分布的問題，長尾部分相似度計算不準(zhǔn)確。這里常用的model有聚類、分類、回歸、SVD等等。
CB主要是基于內(nèi)容的推薦，比如文本內(nèi)容、圖片、音頻等方面的推薦，優(yōu)點就是沒有上面說到的冷啟動問題，可以給小眾的用戶推薦內(nèi)容，但是難點就是在實際業(yè)務(wù)中沒有太大的效果。這種比較適合在數(shù)據(jù)特征比較豐富的情況下做。比如像觀看的視頻，圍繞導(dǎo)演、時長、粉絲等各種方面來training。
推薦架構(gòu)
涉及到推薦架構(gòu)方面，能說的就特別多了。本身因為到了架構(gòu)這層就和實際情況結(jié)合了，包括計算性能、成本、實時性、評估效果、用戶體驗等很多方面的問題。
之前整理了個推薦系統(tǒng)的基本平臺架構(gòu)，大體的內(nèi)容有這些：

像在系統(tǒng)推薦平臺邏輯大體上有這些：

包括你看到的netflix、Amazon大體的架構(gòu)也是這樣分布，特別要強調(diào)的是當(dāng)你的ML模型最終目標(biāo)是在生產(chǎn)環(huán)節(jié)有重要影響，你有必要得思考正確的系統(tǒng)架構(gòu)。
在延時和復(fù)雜性之間權(quán)衡很重要，一些計算需要實時，盡快響應(yīng)給用戶反饋，另外復(fù)雜的ML模型需要大量數(shù)據(jù)，需要長時間才能計算好，還有一些近乎在線NearLine，操作不保證實時發(fā)生，但是最好盡可能快地執(zhí)行。
這方面阿里云是比較強悍，技術(shù)杠桿的，在雙十一這種場景里是大展拳腳。
美團(tuán)的推薦系統(tǒng)
美團(tuán)在線上線下O2O做的產(chǎn)品體驗的確是不錯，他們的技術(shù)分享也比較勤快。所以有很多地方還是值得我們?nèi)W(xué)習(xí)的吧。特別是美團(tuán)在線上線下這塊應(yīng)該有不少用戶數(shù)據(jù)和行為數(shù)據(jù)可以來做分析。也真的希望他們能夠有時間來線下多搞些活動分享分享。
美團(tuán)推薦框架

從框架的角度看，推薦系統(tǒng)基本可以分為數(shù)據(jù)層、觸發(fā)層、融合過濾層和排序?qū)印?shù)據(jù)層包括數(shù)據(jù)生成和數(shù)據(jù)存儲，主要是利用各種數(shù)據(jù)處理工具對原始日志進(jìn)行清洗，處理成格式化的數(shù)據(jù)，落地到不同類型的存儲系統(tǒng)中，供下游的算法和模型使用。候選集觸發(fā)層主要是從用戶的歷史行為、實時行為、地理位置等角度利用各種觸發(fā)策略產(chǎn)生推薦的候選集。候選集融合和過濾層有兩個功能，一是對出發(fā)層產(chǎn)生的不同候選集進(jìn)行融合，提高推薦策略的覆蓋度和精度；另外還要承擔(dān)一定的過濾職責(zé)，從產(chǎn)品、運營的角度確定一些人工規(guī)則，過濾掉不符合條件的item。排序?qū)又饕抢?a href='/map/jiqixuexi/' style='color:#000;font-size:inherit;'>機器學(xué)習(xí)的模型對觸發(fā)層篩選出來的候選集進(jìn)行重排序。
同時，對與候選集觸發(fā)和重排序兩層而言，為了效果迭代是需要頻繁修改的兩層，因此需要支持ABtest。為了支持高效率的迭代，對候選集觸發(fā)和重排序兩層進(jìn)行了解耦，這兩層的結(jié)果是正交的，因此可以分別進(jìn)行對比試驗，不會相互影響。同時在每一層的內(nèi)部，會根據(jù)用戶將流量劃分為多份，支持多個策略同時在線對比。
數(shù)據(jù)feature
像數(shù)據(jù)feature大概有這些：

數(shù)據(jù)描述：
用戶主動行為數(shù)據(jù)記錄了用戶在美團(tuán)平臺上不同的環(huán)各種行為，這些行為一方面用于候選集觸發(fā)算法（在下一部分介紹）中的離線計算（主要是瀏覽、下單），另外一方面，這些行為代表的意圖的強弱不同，因此在訓(xùn)練重排序模型時可以針對不同的行為設(shè)定不同的回歸目標(biāo)值，以更細(xì)地刻畫用戶的行為強弱程度。此外，用戶對deal的這些行為還可以作為重排序模型的交叉特征，用于模型的離線訓(xùn)練和在線預(yù)測。
負(fù)反饋數(shù)據(jù)反映了當(dāng)前的結(jié)果可能在某些方面不能滿足用戶的需求，因此在后續(xù)的候選集觸發(fā)過程中需要考慮對特定的因素進(jìn)行過濾或者降權(quán)，降低負(fù)面因素再次出現(xiàn)的幾率，提高用戶體驗；同時在重排序的模型訓(xùn)練中，負(fù)反饋數(shù)據(jù)可以作為不可多得的負(fù)例參與模型訓(xùn)練，這些負(fù)例要比那些展示后未點擊、未下單的樣本顯著的多。
用戶畫像是刻畫用戶屬性的基礎(chǔ)數(shù)據(jù)，其中有些是直接獲取的原始數(shù)據(jù)，有些是經(jīng)過挖掘的二次加工數(shù)據(jù)，這些屬性一方面可以用于候選集觸發(fā)過程中對deal進(jìn)行加權(quán)或降權(quán)，另外一方面可以作為重排序模型中的用戶維度特征。
通過對UGC數(shù)據(jù)的挖掘可以提取出一些關(guān)鍵詞，然后使用這些關(guān)鍵詞給deal打標(biāo)簽，用于deal的個性化展示。
策略
策略方面主要是架構(gòu)中得CF、LB、QB、GB、替補策略這些。
1.CF
CF是推薦這塊應(yīng)用的比較廣的算法了，很簡單但是要用好要看具體的場景問題。
清除作弊、刷單、代購等噪聲數(shù)據(jù)。這些數(shù)據(jù)的存在會嚴(yán)重影響算法的效果，因此要在第一步的數(shù)據(jù)清洗中就將這些數(shù)據(jù)剔除。
合理選取訓(xùn)練數(shù)據(jù)。選取的訓(xùn)練數(shù)據(jù)的時間窗口不宜過長，當(dāng)然也不能過短。具體的窗口期數(shù)值需要經(jīng)過多次的實驗來確定。同時可以考慮引入時間衰減，因為近期的用戶行為更能反映用戶接下來的行為動作。
user-based與item-based相結(jié)合。

嘗試不同的相似度計算方法。在實踐中，我們采用了一種稱作loglikelihood ratio[1]的相似度計算方法。在mahout中，loglikelihood ratio也作為一種相似度計算方法被采用。
下表表示了Event A和Event B之間的相互關(guān)系，其中：
k11 ：Event A和Event B共現(xiàn)的次數(shù)
k12 ：Event B發(fā)生，Event A未發(fā)生的次數(shù)
k21 ：Event A發(fā)生，Event B未發(fā)生的次數(shù)
k22 ：Event A和Event B都不發(fā)生的次數(shù)
Event AEverything but AEvent BA and B together (k_11)B， but not A (k_12)Everything but BA without B (k_21)Neither A nor B (k_22)
則logLikelihoodRatio=2 * (matrixEntropy - rowEntropy - columnEntropy)
其中
rowEntropy = entropy(k11， k12) + entropy(k21， k22)
columnEntropy = entropy(k11， k21) + entropy(k12， k22)
matrixEntropy = entropy(k11， k12， k21， k22)(entropy為幾個元素組成的系統(tǒng)的香農(nóng)熵)
2.LB
對于移動設(shè)備而言，與PC端最大的區(qū)別之一是移動設(shè)備的位置是經(jīng)常發(fā)生變化的。不同的地理位置反映了不同的用戶場景，在具體的業(yè)務(wù)中可以充分利用用戶所處的地理位置。在推薦的候選集觸發(fā)中，我們也會根據(jù)用戶的實時地理位置、工作地、居住地等地理位置觸發(fā)相應(yīng)的策略。
根據(jù)用戶的歷史消費、歷史瀏覽等，挖掘出某一粒度的區(qū)域（比如商圈）內(nèi)的區(qū)域消費熱單和區(qū)域購買熱單
區(qū)域消費熱單
區(qū)域購買熱單

當(dāng)新的線上用戶請求到達(dá)時，根據(jù)用戶的幾個地理位置對相應(yīng)地理位置的區(qū)域消費熱單和區(qū)域購買熱單進(jìn)行加權(quán)，最終得到一個推薦列表。
此外，還可以根據(jù)用戶出現(xiàn)的地理位置，采用協(xié)同過濾的方式計算用戶的相似度。
3. QB
搜索是一種強用戶意圖，比較明確的反應(yīng)了用戶的意愿，但是在很多情況下，因為各種各樣的原因，沒有形成最終的轉(zhuǎn)換。盡管如此，這種情景還是代表了一定的用戶意愿，可以加以利用。具體做法如下：
對用戶過去一段時間的搜索無轉(zhuǎn)換行為進(jìn)行挖掘，計算每一個用戶對不同query的權(quán)重。

計算每個query下不同deal的權(quán)重。

當(dāng)用戶再次請求時，根據(jù)用戶對不同query的權(quán)重及query下不同deal的權(quán)重進(jìn)行加權(quán)，取出權(quán)重最大的TopN進(jìn)行推薦。
4. GB
對于協(xié)同過濾而言，user之間或者deal之間的圖距離是兩跳，對于更遠(yuǎn)距離的關(guān)系則不能考慮在內(nèi)。而圖算法可以打破這一限制，將user與deal的關(guān)系視作一個二部圖，相互間的關(guān)系可以在圖上傳播。simrank： a measure of structural-context similarity是一種衡量對等實體相似度的圖算法。它的基本思想是，如果兩個實體與另外的相似實體有相關(guān)關(guān)系，那它們也是相似的，即相似性是可以傳播的。

5. 實時用戶行為
目前美團(tuán)的業(yè)務(wù)會產(chǎn)生包括搜索、篩選、收藏、瀏覽、下單等豐富的用戶行為，這些是進(jìn)行效果優(yōu)化的重要基礎(chǔ)。推薦當(dāng)然希望每一個用戶行為流都能到達(dá)轉(zhuǎn)化的環(huán)節(jié)，但是事實上遠(yuǎn)非這樣。
當(dāng)用戶產(chǎn)生了下單行為上游的某些行為時，會有相當(dāng)一部分因為各種原因使行為流沒有形成轉(zhuǎn)化。但是，用戶的這些上游行為是非常重要的先驗知識。很多情況下，用戶當(dāng)時沒有轉(zhuǎn)化并不代表用戶對當(dāng)前的item不感興趣。當(dāng)用戶再次到達(dá)推薦展位時，根據(jù)用戶之前產(chǎn)生的先驗行為理解并識別用戶的真正意圖，將符合用戶意圖的相關(guān)deal再次展現(xiàn)給用戶，引導(dǎo)用戶沿著行為流向下游行進(jìn)，最終達(dá)到下單這個終極目標(biāo)。
目前引入的實時用戶行為包括：實時瀏覽、實時收藏。
6. 替補策略
雖然現(xiàn)在有一系列基于用戶歷史行為的候選集觸發(fā)算法，但對于部分新用戶或者歷史行為不太豐富的用戶，上述算法觸發(fā)的候選集太小，因此需要使用一些替補策略進(jìn)行填充。
熱銷單：在一定時間內(nèi)銷量最多的item，可以考慮時間衰減的影響等。
好評單：用戶產(chǎn)生的評價中，評分較高的item。
城市單：滿足基本的限定條件，在用戶的請求城市內(nèi)的。
7.子策略融合
為了結(jié)合不同觸發(fā)算法的優(yōu)點，同時提高候選集的多樣性和覆蓋率，需要將不同的觸發(fā)算法融合在一起。常見的融合的方法有以下幾種：
加權(quán)型：最簡單的融合方法就是根據(jù)經(jīng)驗值對不同算法賦給不同的權(quán)重，對各個算法產(chǎn)生的候選集按照給定的權(quán)重進(jìn)行加權(quán)，然后再按照權(quán)重排序。
分級型：優(yōu)先采用效果好的算法，當(dāng)產(chǎn)生的候選集大小不足以滿足目標(biāo)值時，再使用效果次好的算法，依此類推。
調(diào)制型：不同的算法按照不同的比例產(chǎn)生一定量的候選集，然后疊加產(chǎn)生最終總的候選集。
過濾型：當(dāng)前的算法對前一級算法產(chǎn)生的候選集進(jìn)行過濾，依此類推，候選集被逐級過濾，最終產(chǎn)生一個小而精的候選集合。
目前美團(tuán)使用的方法集成了調(diào)制和分級兩種融合方法，不同的算法根據(jù)歷史效果表現(xiàn)給定不同的候選集構(gòu)成比例，同時優(yōu)先采用效果好的算法觸發(fā)，如果候選集不夠大，再采用效果次之的算法觸發(fā)，依此類推。
候選集重排序
如上所述，對于不同算法觸發(fā)出來的候選集，只是根據(jù)算法的歷史效果決定算法產(chǎn)生的item的位置顯得有些簡單粗暴，同時，在每個算法的內(nèi)部，不同item的順序也只是簡單的由一個或者幾個因素決定，這些排序的方法只能用于第一步的初選過程，最終的排序結(jié)果需要借助機器學(xué)習(xí)的方法，使用相關(guān)的排序模型，綜合多方面的因素來確定。
模型
非線性模型能較好的捕捉特征中的非線性關(guān)系，但訓(xùn)練和預(yù)測的代價相對線性模型要高一些，這也導(dǎo)致了非線性模型的更新周期相對要長。反之，線性模型對特征的處理要求比較高，需要憑借領(lǐng)域知識和經(jīng)驗人工對特征做一些先期處理，但因為線性模型簡單，在訓(xùn)練和預(yù)測時效率較高。因此在更新周期上也可以做的更短，還可以結(jié)合業(yè)務(wù)做一些在線學(xué)習(xí)的嘗試。在實踐中，非線性模型和線性模型都有應(yīng)用。
非線性模型
目前主要采用了非線性的樹模型Additive Groves（簡稱AG），相對于線性模型，非線性模型可以更好的處理特征中的非線性關(guān)系，不必像線性模型那樣在特征處理和特征組合上花費比較大的精力。AG是一個加性模型，由很多個Grove組成，不同的Grove之間進(jìn)行bagging得出最后的預(yù)測結(jié)果，由此可以減小過擬合的影響。
每一個Grove有多棵樹組成，在訓(xùn)練時每棵樹的擬合目標(biāo)為真實值與其他樹預(yù)測結(jié)果之和之間的殘差。當(dāng)達(dá)到給定數(shù)目的樹時，重新訓(xùn)練的樹會逐棵替代以前的樹。經(jīng)過多次迭代后，達(dá)到收斂。

線性模型
目前應(yīng)用比較多的線性模型非Logistic Regression莫屬了。為了能實時捕捉數(shù)據(jù)分布的變化，引入了online learning，接入實時數(shù)據(jù)流，使用google提出的FTRL方法對模型進(jìn)行在線更新。

主要的步驟如下：
在線寫特征向量到HBase
Storm解析實時點擊和下單日志流，改寫HBase中對應(yīng)特征向量的label
通過FTRL更新模型權(quán)重
將新的模型參數(shù)應(yīng)用于線上
Training
采樣：對于點擊率預(yù)估而言，正負(fù)樣本嚴(yán)重不均衡，所以需要對負(fù)例做一些采樣。
負(fù)例：正例一般是用戶產(chǎn)生點擊、下單等轉(zhuǎn)換行為的樣本，但是用戶沒有轉(zhuǎn)換行為的樣本是否就一定是負(fù)例呢？其實不然，很多展現(xiàn)其實用戶根本沒有看到，所以把這樣樣本視為負(fù)例是不合理的，也會影響模型的效果。比較常用的方法是skip-above，即用戶點擊的item位置以上的展現(xiàn)才可能視作負(fù)例。當(dāng)然，上面的負(fù)例都是隱式的負(fù)反饋數(shù)據(jù)，除此之外，還有用戶主動刪除的顯示負(fù)反饋數(shù)據(jù)，這些數(shù)據(jù)是高質(zhì)量的負(fù)例。
去噪：對于數(shù)據(jù)中混雜的刷單等類作弊行為的數(shù)據(jù)，要將其排除出訓(xùn)練數(shù)據(jù)，否則會直接影響模型的效果。
Feature
在目前的重排序模型中，大概分為以下幾類特征：
deal(即團(tuán)購單，下同)維度的特征：主要是deal本身的一些屬性，包括價格、折扣、銷量、評分、類別、點擊率等
user維度的特征：包括用戶等級、用戶的人口屬性、用戶的客戶端類型等user、deal的交叉特征：包括用戶對deal的點擊、收藏、購買等
距離特征：包括用戶的實時地理位置、常去地理位置、工作地、居住地等與poi的距離對于非線性模型，上述特征可以直接使用；而對于線性模型，則需要對特征值做一些分桶、歸一化等處理，使特征值成為0~1之間的連續(xù)值或01二值。
conclusion
以數(shù)據(jù)為基礎(chǔ)，用算法去雕琢，只有將二者有機結(jié)合，才會帶來效果的提升。以下兩個節(jié)點是優(yōu)化過程中的里程碑：
將候選集進(jìn)行融合：提高了推薦的覆蓋度、多樣性和精度
引入重排序模型：解決了候選集增加以后deal之間排列順序的問題這些對于O2O場景的推薦有非常代表性的借鑒意義。

如果有什么不完善的地方，還請多補充。