Quantcast
Channel: IT瘾博客推荐
Viewing all articles
Browse latest Browse all 532

手机淘宝推荐中的排序学习-博客-云栖社区-阿里云

$
0
0


周梁:淘宝推荐机器学习技术专家,中国科学院自动化研究所机器学习博士,主要研究工作方向是机器学习、大规模并行算法优化。先后从事过广告CTR预估,MPI机器学习平台搭建,手淘个性化推荐等多方面工作。

排序学习是推荐、搜索、广告的核心问题。在手机淘宝的推荐场景中,受制于展示空间的限制,排序学习显得尤为重要。在淘宝,如何从十亿的商品中,挑选出用户 今天喜欢的商品,也是个巨大的挑战。 本次我们分享排序学习在手机淘宝中的应用,其中包括:解决了哪些问题,遇到了哪些挑战,以及做了哪些改进。

 

手淘推荐介绍

 

图1手淘推荐业务全覆盖

用户提升体验,千人千面;商家提供流量,提升转换;平台引导行为,流量分配。

图2手淘推荐系统

Match:基于内容,行为的推荐。场景,社交,人群,个人的长期兴趣,短期行为。

图3排序学习的原因

排序学习分类:PointWise:

PairWise:

ListWise:直接优化整个集合序列,不再做Transform,优化目标NDCG.

业务实例

 图4店铺内推荐业务

业务:只可以推荐同店铺商品,可以是相似搭配。目标:CTR.方法:PointWise。

 图5模型

样本构造:

模型目标:预测<user,item> ctr,并按照ctr排序。

手机埋点的困难:曝光,点击收集,Native 版本,H5 版本。

正负样本处理:

1.      点击/曝光PV

2.      (点击 + 折算成交)/曝光PV

3.      (点击 + 折算的成交)/(有效点击以上PV截断)

4.      (点击 + 折算的成交)/(泊松采样的虚拟PV)

特征设计

ID类特征,User、Item 、Context基本特征,移动特定场景相关特征:设备ID  VS 用户ID;城市区域特征;手机型号特征,PC & Mobile 特征融合。

每个特征权重反映该特征在数据中的统计意义,方便进行特征组合和模型debug,比较方便引入在线学习。

特征工程

 

  图6年龄匹配

图7年龄匹配

特征组合,交叉特征,例如年龄匹配。

个性化模型,特征交叉

–       User:U1={张三,男,年龄35},U2={李四,男,年龄29}

–       Item:I1={鼠标},I2={枕头}

–       训练集:U1点了I1,没点I2

–       预测:U2对I1、I2的喜好

–       特征归并,{张三,男,年龄35,鼠标},无泛化能力

–       特征交叉:{张三,男,年龄35,鼠标,男_鼠标}

–       对常见问题的解决方法

–       性别匹配:user性别与item性别交叉

–       年龄匹配:user年龄与item年龄交叉

–       购买力匹配:user购买力与item购买力交叉

–       用户类目偏好:user id与item类目id交叉

–       Position bias:训练时引入pos id为特征

–       多Matchtype融合:引入Matchtype id为特征

–       人群属性偏好:人群特征同item id做交叉

实时用户特征

 用户的Session 特征 怎么办?:用户当前时刻看了多少本类目商品;用户是否已经在别的场景下看过了本商品;用户是否已经购买本类目同款商品。

在线学习:离线特征提取,在线模型学习(FTRL)


图8在线学习

行业市场业务

图9

业务:个性化行业模块排序,个性化图文排序,最大化点击。

目标:行业流量的均衡。

方法:优化auc,Pairwise-ranknet。

PairWise思考:只考虑了两篇文档的相对顺序,对于不同的查询相关文档集的数量差异很大,投入产出比看,pairwise最佳。

业务场景Position因素:前两个图的面积明显占优,统计数据显示CTR明显占优。

流量均衡考虑。

图10 BPR模型

BPR:Bayesian Personalized Ranking。

构造pair样本是关键:

1.      Click > Skip Above

2.      Last Click > Skip Above

3.      Click > Earlier Click

4.      Click > No-Click Next

 图11女装瀑布流

业务:瀑布流个性化,多目标优化。目标:CTR,CVR,客单价。方法:优化NDCG,listwise-lambdamart。

        

        图12多目标融合

优化NDCG

DCG (Discounted Cumulative Gain)

NDCG(Normalized Version)

 图13

左图pairwise错误相比右图小(13 VS 11);希望出现红色的梯度方向和强度;直接优化NDCG。

 

LambdaRank 不再从Cost Function出发推导梯度,反而直接计算梯度来优化NDCG等一类的IR指标。

Mart(Multiple Additive Regression Tree)  与 Lambda 结合 , 得到 LambdaMart。

 

特征表示:

  1.   连续特征表示,便于Mart训练以及特征选择、组合
  2. User,Item,Context的各个维度反馈特征
  3. User Session 维度特征
  4. 各种子目标模型的Score
  5. LBS特征反馈

 


图14样本构造

  多目标构成ListWise,输入Lambdamart,按照等权重构造梯度权重。

等权重构造梯度权重的问题:样本有偏;训练较慢。

改进策略:按人工加权方式修正梯度强度;针对多种不同等级pair构造中,每个List只挑选最大违反的同类型pair做当前轮训练。

 

  图15计划&展望

日志:手机日志收集,终端较多,多App间协作。

特征:家庭用户特征同账户问题,地域特征,PC、Mobile 特征对齐。

目标:业务目标多,LTR有较大的应用空间。

实时:在线模型更新,用户行为特征挖掘。

 

 

 

 

 


Viewing all articles
Browse latest Browse all 532

Trending Articles



<script src="https://jsc.adskeeper.com/r/s/rssing.com.1596347.js" async> </script>