文章作者：石塔西 

内容来源：小石的数据科学之旅@知乎专栏

出品社区：DataFun

注：欢迎投稿「行知」专栏，让您的行业知识，为行业者知。

本文是对阿里的论文《Image Matters: Visually modeling user behaviors using Advanced Model Server》 https://arxiv.org/abs/1711.06505 的解读。

初读此文的标题和摘要，又有image，又有CTR，我以为是一种新型的CNN+MLP的联合建模方法。读下来才知道，本文的重点绝不在什么图像建模上，压根就没CNN什么事。想像中的像素级别的建模根本没有出现，商品的图片利用网上可下载的预训练好的VGG16模型的某个中间层压缩成4096维向量，作为CTR模型的原始输入。

而将图片引入到推荐/搜索领域，也不是什么新鲜事。不说论文Related Works中提到的工作，我自己就做过基于图片的向量化召回，结构与论文图4中的Pre-Rank DICM结构很相似，只不过用户侧不包含他之前点击过的商品图片罢了，在此略下不表。

没有提出新的图像建模方法，也并非第一次在推荐算法中使用图片信息，那么此文的创新点到底在哪里？我觉得，本文的创新点有两个创新点：

1. 之前的工作尽管也在推荐/搜索算法中引入了图片信息，可是那些图片只用于物料侧，用于丰富商品、文章的特征表示。而阿里的这篇论文，是第一次将图片用于用户侧建模，基于用户历史点击过的图片（user behavior images）来建模用户的视觉偏好。

2. 接下来会看到，将图片加入到用户侧建模，理论上并不复杂，理论上用传统PS也可以实现，起码跑个实验，发篇论文应该不成问题。但是，如果应用到实际系统，图片特征引入的大数据量成为技术瓶颈。为此，阿里团队为传统PS的server也增加了“模型训练”功能，并称新结构为Advanced Model Server （AMS）。

基于历史点击图片建模用户视觉偏好

先谈一下第一个“小创新”。之所以说其“小”，是因为通过预训练的CNN模型提取特征后，每张图片用一个高维（比如4096）稠密向量来表示。这些图片向量，与常见的稀疏ID类特征经过embedding得到的稠密向量，没有质的区别（量的区别，下文会提到），完全可以复用以前处理ID embedding的方法（如pooling, attention）来处理。

Deep Image CTR Model（DICM）的具体结构如下所示

DICM架构图

• 如果只看左边，就是推荐/搜索中常见的Embedding+MLP结构。注意上图中的Embedding+MLP结构只是实际系统的简化版本，实际系统中可以替换成Wide&Deep, DIN, DIEN等这些“高大上”的东西。

• 假设一个满足要求的图片embedding model已经ready，即图中的embmodel。商品的缩略图，经过embmodel压缩，得到商品的图片信息（图中的粉红色块）

• 右边部分，负责利用图片建模用户。将每个用户点击过的图片（user behavior image），经过embmodel进行压缩（图中的蓝色块）。它们与商品图片（ad image）的embedding结果（粉红色块）经过attentive pooling合并成一个向量（桔色块）表示用户的视觉偏好

• 将用户点击过的多张图片的向量（蓝色）合并成一个向量（桔色），其思路与Deep Interest Network 基于attention的pooling机制大同小异，只不过要同时考虑“id类特征”与“商品图片”对用户历史点击图片的attention，称为MultiQueryAttentivePooling。

• 第1步得到基于id特征的embedding结果，与第2步得到的商品图片(ad image)的embedding结果（粉红色），与第3步得到的表示用户兴趣偏好的向量（桔红色），拼接起来，传入MLP，进行充分的交互

这个模型的优势在于：

• 之前的模型只考虑了传统的ID类特征和物料的图像信息，这次加入了用户的视觉偏好，补齐了一块信息短板

• 不仅如此，通过MLP，将传统的ID类特征、物料的图像信息、用户的视觉偏好进行充分交互，能够发现更多的pattern。

• 基于用户历史访问的item id来建模用户的兴趣，始终有“冷启动”问题。如果用户访问过一个embedding matrix中不存在的item，这部分信息只能损失掉。而基于用户历史访问的图片来建模，类似于content-based modeling，商品虽然是新的，但是其使用的图片与模型之前见过的图片却很相似，从而减轻了“冷启动”问题。

综上可见，DICM的思路、结构都很简单。但是，上面的描述埋了个大伏笔：那个图片嵌入模型embmodel如何设计？没有加入图片、只有稀疏的ID类特征时，Embedding+MLP可以通过Parameter Server来分布式训练。现在这个embmodel，是否还可以在PS上训练？在回答这个问题之前，让我们先看看稀疏ID特征Embedding+MLP在传统的PS上是如何训练的？

稀疏ID特征Embedding+MLP在传统的PS上是如何训练的？

介绍PS的论文、博客汗牛充栋，实在论不上我在这里炒冷饭，但是，我还是要将我实践过的“基于PS训练的DNN推荐算法”，在这里简单介绍一下，因为我觉得它与《Scaling Distributed Machine Learning with the Parameter Server》所介绍的“经典”PS还是稍稍有所不同，与同行们探讨。

基于PS的分布式训练的思想还是很简单的：

• 一开始是data parallelism。每台worker只利用本地的训练数据前代、回代，计算gradient，并发往server。Server汇总（平均）各worker发来的gradient，更新模型，并把更新过的模型同步给各worker。这里有一个前提，就是数据量超大，但是模型足够小，单台server的内存足以容纳。

• 但是，推荐/搜索系统使用超大规模的LR模型，模型参数之多，已经是单台server无法容纳的了。这时Parameter Server才应运而生，它同时结合了data parallelism与model parallelism

• Data parallelism：训练数据依然分布地存储在各台worker node上，各worker node也只用本地数据进行计算。

• Model parallelism：一来模型之大，单台server已经无法容纳，所以多台server组成一个分布式的key-value数据库，共同容纳、更新模型参数；二来，由于推荐/搜索的特征超级稀疏，各worker上的训练数据只涵盖了一部分特征，因此每个worker与server之间也没有必要同步完整模型，而只需要同步该worker的本地训练数据所能够涵盖的那一部分模型。

所以按照我的理解，PS最擅长的是训练稀疏数据集上的算法，比如超大规模LR的CTR预估。但是，基于DNN的推荐/搜索算法，常见模式是稀疏ID特征Embedding+MLP，稍稍有所不同

• 稀疏ID特征Embedding，是使用PS的理想对象：超大的embedding矩阵已经无法容纳于单台机器中，需要分布式的key-value数据库共同存储；数据稀疏，各worker上的训练数据只涵盖一部分ID特征，自然也只需要和server同步这一部分ID的embedding向量。

• MLP部分，稍稍不同

• 和计算机视觉中动辄几百层的深网络相比，根据我的经验，纵使工业级别的推荐/搜索算法，MLP也就是3~4层而已，否则就有过拟合的风险。这等“小浅网络”可以容纳于单台机器的内存中，不需要分布式存储。

• 与每台worker只需要与server同步本地所需要的部分embedding不同，MLP是一个整体，每台worker都需要与server同步完整MLP的全部参数，不会只同步局部模型。

所以，在我的实践中

• 稀疏ID特征Embedding，就是标准的PS做法，用key-value来存储。Key就是id feature，value就是其对应的embedding向量；

• MLP部分，我用一个KEY_FOR_ALL_MLP在server中存储MLP的所有参数（一个很大，但单机足以容纳的向量），以完成worker之间对MLP参数的同步。

实际上，对Embedding和MLP不同特性的论述，在《Deep Interest Network for Click-Through Rate Prediction》中也有所论述。阿里的X-DeepLearning平台

• 用Distributed Embedding Layer实现了分布式的key-value数据库来存储embedding。应该是标准的PS做法。

• 用Local Backend在单机上训练MLP。如何实现各worker（i.e., local backend）的MLP的同步？是否和我的做法类似，用一个key在server上存储MLP的所有参数？目前尚不得而知，还需要继续研究。

加入图片特征后，能否继续在PS上训练？

按原论文的说法，自然是不能，所以才提出了AMS。一开始，我以为”PS不支持图片”是“质”的不同，即PS主要针对稀疏特征，而图片是稠密数据。但是，读完文章之后，发现之前的想法是错误的，稀疏ID特征与图片特征在稀疏性是统一的

• 某个worker node上训练样本集，所涵盖的item id与item image，只是所有item ids/images的一部分，从这个角度来说，item id/image都是稀疏的，为使用PS架构提供了可能性

• item image经过pre-trained CNN model预处理，参与DICM训练时，已经是固定长度的稠密向量。Item id也需要embedding成稠密向量。从这个角度来说，item id/image又都是稠密的。

正因为稀疏ID特征与图片特征，本质上没有什么不同，因此PS无须修改，就可以用于训练包含图片特征的CTR模型（起码理论上行得通），就是文中所谓的store-in-server模式

• 图片特征存入PS中的server，key是image index，value是经过VGG16提取出来的稠密向量

• 训练数据存放在各worker上，其中图片部分只存储image index

• 训练中，每个worker根据各自本地的训练集所包含的image index，向server请求各自所需的image的embedding，训练自己的MLP

一切看上去很美好，直到我们审视VGG16提取出来的image embedding到底有多长？

• 原论文中提到，经过试验，阿里团队最终选择了FC6的输出，是一个4096长的浮点数向量。而这仅仅是一张图片，每次迭代中，worker/server需要通信的数据量是mini-batch size * 单用户历史点击图片数 (i.e., 通常是几十到上百) * 4096个浮点数。按照原论文中table 2的统计，那是5G的通讯量。

• 而一个ID特征的embedding才用12维的向量来表示。也就是说，引入image后，通讯量增长了4096/12=341倍。

（或许有心的读者问，既然4096的image embedding会造成如此大的通讯压力，那为什么不选择vgg16中小一些层的输出呢？因为vgg16是针对ImageNet训练好的，而ImageNet中的图片与淘宝的商品图片还是有不小的差距（淘宝的商品图片应该很少会出现海象与鸭嘴兽吧），因此需要提取出来的image embedding足够长，以更好地保留一些原始信息。原论文中也尝试过提取1000维的向量，性能上有较大损失。）

正是因为原始图片embedding太大了，给通信造成巨大压力，才促使阿里团队在server上也增加了一个“压缩”模型，从而将PS升级为AMS。

AMS的技术细节，将在下一节详细说明。这里，我觉得需要强调一下，由于加入图片而需要在AMS，而不是PS上训练，这个变化是“量”变引起的，而不是因为原来的ID特征与图片这样的多媒体特征在“质”上有什么不同。比如，在这个例子中，

• 使用AMS是因为image的原始embedding由4096个浮点数组成，太大了

• 之所以需要4096个浮点数，是因为vgg16是针对ImageNet训练的，与淘宝图片相差较大，所以需要保留较多的原始信息

• 如果淘宝专门训练一个针对商品图片的分类模型，那么就有可能拿某个更接近loss层、更小的中间层的输出作为image embedding

• 这样一来，也就没有通信压力了，也就无需server上的“压缩”模型了，传统的PS也就完全可以胜任了。

所以，AMS并不应该是接入多媒体特征后的唯一选择，而AMS也不仅仅是针对多媒体特征才有用。应该说，AMS应该是针对“embedding过大、占有过多带宽”的解决方案之一。

Advanced Model Server（AMS）架构

上一节讲清楚了，AMS是为了解决“image的原始embedding过大，造成太大通信压力”的问题而提出的。在这一节里，我们来看看AMS是如何解决这一问题的。

AMS的解决方案也很简单：

• 为每个server增加一个可学习的“压缩”模型（论文中的sub-model，其实就是一个4096-256-64-12的金字塔型的MLP）

• 当worker向server请求image embedding时，server上的“压缩”模型先将原始的4096维的image embedding压缩成12维，再传递给worker，从而将通讯量减少到原来的1/340

• 该“压缩”模型的参数，由每个server根据存在本地的图片数据学习得到，并且在一轮迭代结束时，各server上的“压缩”模型需要同步。

每个server上都有这样一个这个可学习的“压缩”模型，要能够利用存放在本地的数据（这里就是4096长的image原始embedding）前代、回代、更新权重，并且各server的模型还需要同步，简直就是worker上模型的翻版。将worker的“训练模型”的功能复制到server，这也就是Advanced Model Server相比于传统Parameter Server的改进之处。

AMS是本文最大的创新点。本来还想再费些笔墨详细描述，最后发现不过是对原论文4.2节的翻译，白白浪费篇幅罢了，请读者移步原论文。其实，当你明白了AMS要解决什么样的问题，那么原论文中的解决方案，也就是一层窗户纸罢了，简单来说，就是将worker上的模型前代、回代、更新、同步代码移植到server端罢了。最后加上原论文中的图2，以做备忘。

AMS交互流程

总结

以上就是我对Deep Image CTR Model（DICM）两个创新点的理解。根据原论文，无论是离线实验还是线上AB测试，DICM的表现都比不考虑用户视觉偏好的老模型要更加优异。DICM开启了在推荐系统中引入多媒体特征的新篇章。

小结一下DICM的成就与思路：

• DICM，第一次将图片信息引入到用户侧建模，通过用户历史上点击过的图片（user behavior images）建模用户的视觉偏好，而且将传统的ID类特征、物料的图像信息、用户的视觉偏好进行充分交互，能够发现更多的pattern，也解决了只使用ID特征而带来的冷启动问题。

• 但是，引入user behavior images后，由于image原始embedding太大，给分布式训练时的通信造成了巨大压力。为此，阿里团队通过给每个server增加一个可学习的“压缩”模型，先压缩image embedding再传递给worker，大大降低了worker/server之间的通信量，使DICM的效率能够满足线上系统的要求。这种为server增加“模型训练”功能的PS，被称为AMS。

最后，还应该强调，引发PS升级到AMS的驱动力，是“量变”而不是“质变”。图片之类的多媒体特征，既不是AMS的唯一用武之地，也不应是AMS垄断的专利。选择哪种训练架构，需要我们根据业务、数据的特点做出判断，切忌迷信“银弹”。

作者介绍：

石塔西，毕业于清华大学、Washington State University，爱好机器学习算法，以及军事和历史。