达观数据推荐算法实现：协同过滤之item embedding

Posted 2021-04-29 达观数据

推荐系统本质是在用户需求不明确的情况下，解决信息过载的问题，联系用户和信息，一方面帮助用户发现对自己有价值的信息，另一方面让信息能够展现在对它感兴趣的用户面前，从而实现信息消费者和信息生产者的双赢（这里的信息的含义可以非常广泛，比如咨询、电影和商品等，下文中统称为item）。

达观数据相关推荐是达观推荐系统中的重要组成部分，其价值在于，在没有用户画像信息的情况下，也能给用户以好的推荐体验，比如资讯类，通过达观相关推荐算法找到item相关的其他item，可以提供对某一类或者针对某一事件多角度多侧面的深度阅读。本文主要先简单介绍相关推荐的一些常用算法，然后介绍一下基于item embedding的协同过滤。（范雄雄达观数据）

达观相关推荐的常用算法

1 Content-based相关推荐

基于内容的推荐一般依赖于一套好的标签系统，通过计算item之间tag集合的相似性来衡量item之间的相似性，一套好的标签系统需要各方面的打磨，一方面需要好的编辑，一方面也依赖于产品的设计，引导用户在使用产品的过程中，对item提供优质的tag。

‍2 基于协同过滤的相关推荐‍

协同过滤主要分为基于领域以及基于隐语义模型。

基于领域的算法中，ItemCF是目前业界应用最多的算法，其主要思想为“喜欢item A的用户大都喜欢用户 item B”，通过挖掘用户历史的操作日志，利用群体智慧，生成item的候选推荐列表。主要统计2个item的共现频率，加以时间的考量，以及热门用户以及热门item的过滤以及降权。

LFM（latent factor model）隐语义模型是最近几年推荐系统领域最为热门的研究话题，该算法最早在文本挖掘领域被提出，用于找到文本隐含的语义，在推荐领域中，其核心思想是通过隐含特征联系用户和物品的兴趣。主要的算法有pLSA、LDA、matrix factorization（SVD，SVD++）等，这些技术和方法在本质上是相通的，以LFM为例，通过如下公式计算用户u对物品i的兴趣：

公式中pu,k和qi,k是模型的参数，其中pu,k度量了用户u的兴趣和第k个隐类的关系，而qi,k度量了第k个隐类和物品i之间的关系。而其中的qi,k可视为将item投射到隐类组成的空间中去，item的相似度也由此转换为在隐空间中的距离。

 item2vec:NEURAL ITEM EMBEDDING

1 word2vec

2013年中，Google发布的word2vec工具引起了大家的热捧，很多互联网公司跟进，产出了不少成果。16年以及借鉴word2vec的思想，提出item2vec，通过浅层的神经网络结合SGNS(skip-gram with negative sampling)训练之后，将item映射到固定维度的向量空间中，通过向量的运算来衡量item之间的相似性。

下面对item2vec的做简要的分享：

由于item2vec基本上是参照了google的word2vec方法，应用到推荐场景中的item2item相似度计算上，所以首先简单介绍word2vec的基本原理。

Word2vec主要用于挖掘词的向量表示，向量中的数值能够建模一个词在句子中，和上下文信息之间的关系，主要包括2个模型：CBOW(continuous bag-of-word)和SG(skip-gram)，从一个简单版本的CBOW模型介绍，上下文只考虑一个词的情形，如图1所示，

 

图1

 

假设只有一个隐层的神经网络，输入层以及输出层均为词的one-hot编码表示，词表大小假设为V，隐层神经元个数为N，相邻层的神经元为全连接，层间的权重用V*N的矩阵W表示，隐层到输出层的activation function采用softmax函数，

其中wI，wj为词表中不同的词，yj为输出层第j个神经元的输出，uj为输入层经过权重矩阵W到隐层的score，uj’为隐层经过权重矩阵W’到输出层的score。训练这个神经网络，用反向传播算法，先计算网络输出和真实值的差，然后用梯度下降反向更新层间的权重矩阵，得到更新公式：

其中，η为更新的步长，ej为模型预测以及真实值之间的误差，h为隐层向量。

图2为上下文为多个词时的情况，

中间的隐层h计算由：

改为：

即输入向量为多个上下文向量相加求平均，后续的参数学习与上文的单个词的上下文情况类似。遍历整个训练集context-target词对，经过多次迭代更新模型参数，对模型中的向量的影响将会累积，最终学到对词的向量表示。（范雄雄达观数据）

Skip-gram跟CBOW的输入层和输出层正好对调，区别就是CBOW是上下文，经过模型预测当前词，而skip-gram是通过当前词来预测上下文。

图2

 

目前为止，对词表中的每个词，有两种向量表示：input vector和output vector，对应输入层到隐层权重矩阵W的行向量和隐层到输出层权重矩阵W'的列向量，从等式4、5可以看出，对每一个训练样本，都需要遍历词表中的每一个词，因此，学习output vector的计算量是非常大的，如果训练集或者词表的规模大的话，在实际应用中训练不具可操作性。

为解决这个问题，直觉的做法是限制每个训练样本需要更新的output vectors，google提出了两个方法：hierarchical softmax和negative sampling，加快了模型训练的速度，在此不做展开讨论。（范雄雄 达观数据）

2 item2vec

由于wordvec在NLP领域的巨大成功，Oren Barkan and Noam Koenigstein受此启发，利用item-based CF学习item在低维latent space的embedding representation，优化item的相关推荐。

词的上下文即为邻近词的序列，很容易想到，词的序列其实等价于一系列连续操作的item序列，因此，训练语料只需将句子改为连续操作的item序列即可，item间的共现为正样本，并按照item的频率分布进行负样本采样。

 

图3

 

Oren Barkan and Noam Koenigstein以SVD作为baseline，SVD的隐类以及item2vec的维度都取40，用Microsoft Xbox Music service收集的 user-artists数据集，对结果进行聚类，如图3所示，图a是item2vec的聚合效果，图b是SVD分解的聚合效果，看起来item2vec的聚合效果要更好些。

作者尝试将item2vec应用到达观数据的相关推荐当中，由于资讯、短视频类的场景一般的连续item操作会比较多，因此天然的非常适合用item2vec来训练item的向量表示，从实际的训练结果和线上评估来看，item2vec对CTR提升是有明显帮助的。（范雄雄 达观数据）

往期分享