推荐系统全链路（2）召回粗排精排 - 级联漏斗上篇
转自：知乎-水哥
链接：https://zhuanlan.zhihu.com/p/396951216
说明：本文仅用于知识交流，如有侵权，联系删除
写在前面
1、把点击多的item曝光提升是推荐模型的基本能力，也是基本要求。后验不好的曝光提高也可能是好模型，后验好的曝光不提高，可以开除推荐模型了
2、在起量阶段，各路item需要争宠，谁能最快博取精排的欢心，谁就有可能在冷启动阶段占据压倒性优势
3、广告主很像dota教练，他们深信一个原则：阵容（素材）没问题，下把干（投放）回来
4、粗排没别的任务，就是向上管理
上一讲我们提到，整个链路是一个大漏斗，前面召回入口最多，最后精排仅仅输出一点点，在这一讲中我们会对漏斗的连接部分做更多的分析。包括上一讲中很多同学都想问的粗排，召回的学习目标，评价标准分别是什么，也会在这一讲和下一讲中详细讲解。
首先我们要分析漏斗的各个环节，学习的目标是什么。虽然整个链路正着往后推理，但是改进的时候往往是倒着往前的，原因我们在上一讲提到过。假如想加某种特征，那么先是精排验证有效，然后粗排。召回可以不按照这个规则走，因为召回很多时候是觉得上面的队列里缺少哪一方面的东西，才多一路的。
各个环节的学习目标及问题
精排的学习目标：后验
以点击率（CTR）预估为例，精排学习的目标的范围一般是所有存在曝光的样本。有曝光但没有点击的是负样本，有曝光也有点击的就是正样本。在其他目标中可以以此类推：比如转化率（CVR）预估，点击了没转化的是负样本，点击了，也转化了就是正样本。
精排的评估方式：AUC/GAUC
说白了，精排还是一个排序模型，排序模型输出的结果，线下都可以由AUC来进行评估。在[1]这篇论文中，阿里的工程师们提出了另一个评价指标：Group AUC（GAUC），如下：
在这个指标中， 代表的是曝光数或者点击数。这个指标是对用户的行为做了加权，比较偏向高活跃的用户。
线上指标则根据业务各有不同，比如在短视频平台上，推荐看的就是观看时长，而广告看的则是eCPM（出价乘以CTR乘以CVR）。在电商平台上看的是GMV（Gross Merchandise Volume，商品交易总额）。线上提升是由线下的一个一个模型提升带来的。比如在广告场景下，既要提升CTR，也要提升CVR，也要改善出价机制。推荐场景下，既要提升对于观看时长的预估，也要提升用户正负反馈（比如点赞关注这些）的预估。
关于AUC和GAUC的文章参考有：
精排的样本组成
在精排中，每次行为都是一条样本，最后实际上是一个分类任务，分为“点击”或者“不点击”的二分类。在一个点击率预估模型中，正样本是非常稀疏的。对于模型来说，当他遇到正样本的时候，它必须把这个结果反映到当前的用户和item上。也就是说，相比于没有点击的样本，这个item会得到模型的认可。那么在接下来的预估中，这个item自然会被更加青睐，排序更加靠前。这样就使得item的曝光能力提升。这样我们就归纳出了推荐系统的一个基本性质：正反馈的能力 。指的是对于一开始后验较好的item，他们的排序更靠前，曝光会进一步提升 。如果去掉一开始这三个字，这句话就是一句废话。但是所谓“一开始”就表明该item不一定是一个真正好的素材，而这会引发下面的问题。
（这里留一个思考题，这个正反馈会无限地持续下去吗？答案我们在未来专门讲item的生命周期中来揭晓）
精排的问题1：ground truth不够置信
我们想评价一个item的质量是否好，其实是需要一定量的曝光量才能说明。但是系统整体的曝光机会往往是有限的。给你的曝光多了必然意味着对他的曝光机会少了。因此有很多item在没有得到充分曝光的情况下就被判了死刑。有的item可能不错，但是在一开始因为有点随机性，或者精排没预估的比较准，导致最初的量没起来。当最初的量没起来的时候，别的起来了的item迅速博取了精排的欢心，这个不幸运的item就只能被打入冷宫了。如下图：
这个问题不仅我们知道，广告主们也知道。他们不仅知道，他们还会不服。他们当然会优化素材，但同时也会进行大量的“重开”，即同样的素材内容，换一个id再来一遍（当id变成新的，系统就会把它当做新的重新开始，这涉及到后面要讲的冷启动问题）。这就是所谓的“阵容没问题，下把干回来”。当大量的广告主这样做了之后，平台资源就会被极大的浪费，因此平台也会做各种方法来阻止这件事情。所以我们也能看到，平台和金主爸爸有时候也存在一种博弈。
精排的问题2：自嗨
从上面的叙述中，可以看出精排学习的目标往往有一个共同的特点，就是正负样本都来自于已经曝光的样本 ，而曝光与否是谁决定的呢？是精排自己决定的。这就造成了“自己学自己”的问题，学习的目标本来就是自己产生的，在自己原本的大方向上有可能一条路走到黑 。设想有AB两个item，实际上B是一个更优秀的素材，因为系统随机性或者精排的缺陷，A获得了更多的曝光量，而B只获得了很少的曝光量。而B恰好在这几个曝光量中都没获得什么正向反馈。那接下来B就惨了，根据我们上面说的正反馈特性，A的曝光会越来越高，正向的点击数据越来越多，而B可能就暴毙了。这个情况如果不断恶化，推荐系统可能会陷入局部最优中出不来，也就是我们说的“自嗨”：它认为A好，所以给了A更好的条件，而A自然获得了更好的反馈，又再一次验证了系统的“正确性”。最终在A比B好的错误路线上越走越远。
那么有什么办法可以防止这个情况？一般来说有两种方法。第一种是策略的干涉。有的策略会强制一定的探索量，比如上面的B曝光不能低于100，这样会缓解一些学习错误的问题。可能还是有个别item的序会不符合，但是整体上发生错误的概率会变低。另一种做法是开辟“随机流量”，即有一定比例的请求不通过任何模型预估，直接随机展示看看点击率。随机流量的结果一方面可以认为是完全真实的训练样本，另一方面也可以对照当前模型的效果。
讲完了精排部分，我们再来讲讲粗排部分
粗排的学习目标：精排
naive的方案中，粗排也可以直接学习后验数据。但这不是一个好主意，你又决定不了输出，学精排（领导）的做事方法，你优化的目标精排（领导）不认，还没干好自己的本职工作（向上管理）。毕竟后验是精排控制的，粗排只能优化级联的下一端。
粗排的学习目标应该是精排的输出 。说白了，粗排只是一个精排的影子，就像上一讲提到的，要不是精排吃不下，也不会需要粗排。因此粗排就是跟精排保持步调一致。如果粗排排序高的，精排排序也高，那么粗排就很好的完成了“帮助精排缓冲 ”的目的。反之，如果你排序低的，精排反而排的高了，那你不就是跟领导对着干嘛。
粗排的样本组成+学习方法：Learning to Rank
对于粗排，我们需要两个，或者一组样本。假如精排的队列有100个排好序的样本，我们可以在前10里面取出一个A，作为好样本。再从后10个取出一个B当做坏样本。粗排的目标，就是要让自己也认为A好于B。越是这样，它就和精排越像，就越能帮精排分担压力。
此时不是一个分类任务了，而是learning to rank的一种方法，pairwise的学习。目标是让上面的A和B之间差距尽可能大（还可以更彻底的拿出更多样本，比如精排输出每10个里面取一个，得到一个长度为10的list，按照list-wise的方式去学习。list-wise比较复杂，后面再讲）。这里先提一下pairwise如何实现。我们把两个样本记为 和 ，做差之后带入一个binary cross entropy的loss：
其中 代表sigmoid。假如第一个样本更好， ，只有前半部分被激活。此时loss最小就要求 比 大的越多越好。反之亦然。
注意在这样的设计下，我们就把没有曝光的样本纳入训练范围了 。粗排入口比精排大，训练样本也比它多，这就很合理。
最后用一张图来总结下：
粗排的评估标准：精排
既然粗排学习的目标是精排的输出，那么粗排的评估自然也就是学精排学得像不像。在线下可以有两种指标来评估。一种是NDCG，它是一种评价两个排序相似度的指标，就是把精排输出的样本让粗排过一遍，看看粗排输出的排序结果和精排有多像。
NDCG的具体计算方式：NDCG介绍与实现和推荐系统中的应用
第二种评估方式是召回率，或者重叠度（也可以用IOU啥的）。即精排输出的前 ，有多少在粗排输出的前K里面。这个也是用来评价两个模型输出像不像。
相比之下，NDCG是一种更细致的指标。我们可以认为NDCG不仅仅刻画了topK的召回，也刻画了top K-1，K-2……等等情况。
讲完粗排之后发现要讲的东西太多了，写不下了，我们留（鸽）到下一讲吧
参考文献
[1]. Optimized Cost per Click in Taobao Display Advertising
