之前有一段時(shí)間做過(guò)雙塔的召回模型[1]，線(xiàn)上各個(gè)指標(biāo)有了不錯(cuò)的提升。目前雙塔模型也是被各大公司鐘愛(ài)的召回模型。對(duì)主流召回模型的分享整理在：總結(jié)下自己做過(guò)的深度召回模型

雙塔模型在訓(xùn)練時(shí)是對(duì)一個(gè)batch內(nèi)樣本訓(xùn)練。一個(gè)batch內(nèi)每個(gè)樣本 (user和item對(duì))為正樣本，該user與batch內(nèi)其它item為負(fù)樣本。這樣訓(xùn)練的方式可能有以下問(wèn)題：

負(fù)樣本的個(gè)數(shù)不足。訓(xùn)練時(shí)負(fù)樣本個(gè)數(shù)限制在了batch內(nèi)樣本數(shù)減1，而線(xiàn)上serving時(shí)需要在所有候選集中召回用戶(hù)感興趣的樣本。模型只能從當(dāng)前batch內(nèi)區(qū)分出batch內(nèi)正樣本，無(wú)法很好地從所有候選集中區(qū)分正樣本。

未點(diǎn)擊的item沒(méi)有做負(fù)樣本。由于batch內(nèi)的item都是被點(diǎn)擊過(guò)的，因此沒(méi)有被點(diǎn)擊item無(wú)法成為負(fù)樣本，在線(xiàn)上serving容易它們被召回出來(lái)。一種解決方法是之前沒(méi)被點(diǎn)擊過(guò)的item不導(dǎo)出到候選集中，然而這樣存在的問(wèn)題是召回的item很多是之前點(diǎn)擊的熱門(mén)item，而很多冷門(mén)的item沒(méi)有機(jī)會(huì)召回。

最近，有兩篇文章提出了雙塔模型擴(kuò)量負(fù)樣本的方法。這兩種方法我也曾嘗試過(guò)，線(xiàn)下線(xiàn)上指標(biāo)也有一定的提升。

一、Two Tower Model

再介紹其它方法之前，先回顧一下經(jīng)典的雙塔模型建模過(guò)程。

用 表示雙塔模型計(jì)算的user 和item 的相似性：

是表示user塔，輸出user表示向量； 是item，輸出item表示向量。最后相似性是兩個(gè)向量的余弦值。batch內(nèi)概率計(jì)算公式為：表示一個(gè)batch的意思。損失函數(shù)是交叉熵。

作者在計(jì)算user和item的相似度時(shí)，用了兩個(gè)優(yōu)化方法：

。 可以擴(kuò)大相似度范圍，擴(kuò)大差距。

。 是item 在隨機(jī)樣本中被采樣的概率，也就是被點(diǎn)擊的概率。

關(guān)于優(yōu)化2的解釋有很多。論文中說(shuō)熱門(mén)item出現(xiàn)在batch內(nèi)概率較大，因此會(huì)被大量做負(fù)樣本。另一種解釋是增加對(duì)冷門(mén)item的相似度。相比熱門(mén)item，冷門(mén)item更能反映用戶(hù)興趣。

圖1反映了雙塔模型的batch采樣過(guò)程。query也可以表示user。我們采樣一個(gè)batch的user和對(duì)應(yīng)正樣本的item，計(jì)算各自的embedding后，通過(guò)點(diǎn)乘得到logits（B*B）的矩陣。label矩陣是一個(gè)單位矩陣。logit矩陣與label矩陣的每對(duì)行向量一起求交叉熵。

圖1：雙塔模型batch采樣

二、Mixed Negative Samping(MNS)

MNS[2]與雙塔模型[1]出自谷歌團(tuán)隊(duì)的同一批作者。用一個(gè)batch數(shù)據(jù)訓(xùn)練時(shí)，MNS還會(huì)在所有的數(shù)據(jù)集中采樣出 個(gè)item。這樣可以讓所有的item參與到訓(xùn)練中，一些曝光未點(diǎn)擊的item也會(huì)當(dāng)作負(fù)樣本。同時(shí)，雙塔模型中使用的 等于訓(xùn)練樣本中的頻率加上所有數(shù)據(jù)集中的頻率分布。概率公式重新定義如下：

作者在這里只對(duì)負(fù)樣本的相似性減去了頻率的log值。

MNS的batch采樣方法見(jiàn)圖2。最終計(jì)算的logits和label矩陣是一個(gè)B*(B+B')維的。其實(shí)就是在圖1展示的基礎(chǔ)上再增加B'列。logits的最后B'列是user與B‘內(nèi)的item計(jì)算的相似性，label的最后B'列是全0矩陣。

相比于每個(gè)樣本都隨機(jī)采樣出一定量的負(fù)樣本，為每個(gè)batch都采樣出B‘個(gè)負(fù)樣本的不僅有先前雙塔模型的計(jì)算效率，也緩和負(fù)樣本不足的問(wèn)題，并且讓每個(gè)樣本均有機(jī)會(huì)做負(fù)樣本。

圖2：MNS的batch采樣

三、Cross Batch Negative Samping(CBNS)

CBNS[2]是清華大學(xué)和華為合作提出的方法。文中提到，雙塔模型的計(jì)算優(yōu)勢(shì)在于利用了batch內(nèi)的負(fù)樣本，減小的計(jì)算量。如果我們想擴(kuò)大batch內(nèi)樣本個(gè)數(shù)，加大負(fù)樣本個(gè)數(shù)，需要很多的內(nèi)存。因此，作者提出一個(gè)使用之前訓(xùn)練過(guò)的item作為負(fù)樣本的方法。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練達(dá)到一定輪數(shù)后，會(huì)對(duì)相同的樣本產(chǎn)生穩(wěn)定的向量。作者在論文中定義了這個(gè)想法。因此把之前訓(xùn)練過(guò)的item作為當(dāng)前訓(xùn)練的負(fù)樣本時(shí)，模型只需要把這些item的向量拿過(guò)來(lái)使用，不需要再輸出到神經(jīng)網(wǎng)絡(luò)中產(chǎn)生新的向量，畢竟這兩種向量的差距較小。

作者使用了FIFO（先進(jìn)先出）隊(duì)列，item塔輸出向量時(shí)，會(huì)放進(jìn)FIFO中。當(dāng)warm-up training達(dá)到一定的輪數(shù)后，訓(xùn)練模型時(shí)，會(huì)從FIFO拿出一批向量作為負(fù)樣本的向量。這樣做不僅減少了計(jì)算量，在擴(kuò)充負(fù)樣本的時(shí)候也減少了內(nèi)存的使用。計(jì)算公式與MNS差別不大：

也就是內(nèi)容一中的優(yōu)化2。B'在這里是從FIFO中取出的一批向量。

圖3展示了CBNS與只用batch內(nèi)負(fù)樣本的不同。CBNS維持了一個(gè)memory bank。在訓(xùn)練時(shí)，會(huì)從里面拿出一定量的向量。

然而，CBNS的負(fù)樣本只有點(diǎn)擊過(guò)的樣本，未點(diǎn)擊的樣本無(wú)法作為負(fù)樣本。

圖3：CBNS采樣方法

審核編輯：郭婷