饿了么推荐系统:从 0 到 1



转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com

AIQ 机器学习大数据 知乎专栏 点击关注

本文由携程技术中心投递,ID:ctriptech。作者:饿了么数据运营部资深算法工程师陈一村,在携程个性化推荐与人工智能 Meetup 上的分享。陈一村 2016 年加入饿了么,现从事大数据挖掘和算法相关工作,包括推荐系统、用户画像等。

随着移动互联网的发展,用户使用习惯日趋碎片化,如何让用户在有限的访问时间里找到想要的产品,成为了搜索 / 推荐系统演进的重要职责。作为外卖领域的独角兽, 饿了么拥有百万级的日活跃用户,如何利用数据挖掘 / 机器学习的方法挖掘潜在用户、增加用户粘性,已成为迫切需要解决的问题。

个性化推荐系统通过研究用户的兴趣偏好,进行个性化计算,发现用户的兴趣点,从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务,还能和用户之间建立密切关系,让用户对推荐产生依赖。

本次分享介绍饿 了么如何从 0 到 1 构建一个可快速迭代的推荐系统,从产品形态出发,包括推荐模型与特征工程、日志处理与效果评估,以及更深层次的场景选择和意图识别。

在携程个性化推荐与人工智能 meetup 上,已经就以上几部分做了整体上的说明,本文将就其中模型排序与特征计算的线上实现做具体说明,同时补充有关业务规则相关的洗牌逻辑说明,力图从细节上还原和展示饿了么美食推荐系统。

一、模型排序

1、设计流程
对于任何一个外部请求, 系统都会构建一个 QueryInfo(查询请求), 同时从各种数据源提取 UserInfo(用户信息)、ShopInfo(商户信息)、FoodInfo(食物信息) 以及 ABTest 配置信息等, 然后调用 Ranker 排序。以下是排序的基本流程 (如下图所示):

  • 调取 RankerManager, 初始化排序器 Ranker:
    1. 根据 ABTest 配置信息, 构建排序器 Ranker;
    2. 调取 ScorerManger, 指定所需打分器 Scorer(可以多个); 同时, Scorer 会从 ModelManager 获取对应 Model, 并校验;
    3. 调取 FeatureManager, 指定及校验 Scorer 所需特征 Features。
  • 调取 InstanceBuilder, 汇总所有打分器 Scorer 的特征, 计算对应排序项 EntityInfo(餐厅 / 食物) 排序所需特征 Features;
  • 对 EntityInfo 进行打分, 并按需对 Records 进行排序。

这里需要说明的是:任何一个模型 Model 都必须以打分器 Scorer 形式展示或者被调用。主要是基于以下几点考虑:

  • 模型迭代:比如同一个 Model,根据时间、地点、数据抽样等衍生出多个版本 Version;
  • 模型参数:比如组合模式 (见下一小节) 时的权重与轮次设定,模型是否支持并行化等;
  • 特征参数:特征 Feature 计算参数,比如距离在不同城市具有不同的分段参数。

2、排序逻辑

对于机器学习或者学习排序而言, 多种模型的组合 (Bagging, Voting 或 Boosting 等) 往往能够带来稳定、有效的预测结果。所以, 针对当前美食推荐项目, 框架结合 ABTest 系统, 支持 single、linear 及 multi 三种组合模式, 具体说明如下:

  • single:单一模式, 仅用一个 Scorer 进行排序打分;
  • linear:线性加权模式, 指定一系列 Scorer 以及对应的权重, 加权求和;
  • multi:多轮排序模式, 每轮指定 Scorer, 仅对前一轮的 top N 进行排序。

具体说明如下:

单一模式:rankType=single

对于单一模式, 仅有一个 Scorer, 且不存在混合情况, 所以只要简单对 Scorer 的打分进行排序即可, 故在此不做详细展开。ABTest 配置格式如下表:

线性加权模式:rankType=linear

对于线性加权模式, 在单一模式配置的基础上,需要在 ABTest 配置每个 Scorer 的权重, 格式如下表所示:

当 LinearRanker 初始化时, 会校验和初始化所有打分器 Scorer。之后, 按照以下步骤对餐厅 / 食物列表进行排序, 详见下图 (左):

  • 特征计算器 InstanceBuilder 调用 ScorerList, 获取所有所需特征 Feature 并去重;
  • InstanceBuilder 对所有餐厅 / 食物进行特征计算, 详见特征计算;
  • ScorerList 中所有 Scorer 对所有餐厅 / 食物依次进行打分;
  • 对所有 Scorer 打分进行加权求和, 之后排序。

多轮排序模式:rankType=multi

对于多轮排序模式, 每轮设定一个 Scorer, 对前一轮 top=Num 个餐厅 / 食物进行排序, 故在 ABTest 中需要设定每个 Scorer 的轮次 (round) 和排序数(num), 格式如下表。

MultiRanker 初始化与特征计算与 LinearRanker 类似, 具体步骤详见上图 (右):

  • 特征计算器 InstanceBuilder 调用 ScorerList, 获取所有所需特征 Feature 并去重;
  • InstanceBuilder 对所有餐厅 / 食物进行特征计算, 详见特征计算;
  • Scorer 按轮次 (round) 对 top=Num 餐厅 / 食物进行打分;
  • 对 top=Num 餐厅 / 食物按当前 Scorer 的打分进行排序。

重复步骤 3、4, 直到走完所有轮次。

在初始化阶段, Ranker 根据 ABTest 配置信息指定算法版本 (algoVersion)、排序类型(rankType)、排序层级(rankLevel) 及相关打分器(ScorerList)。

3、模型定义

对于线上任何 Model,ModelManager 都会通过以下流程获取相应实例和功能 (如下图所示):

  • 模型实例化时的构造函数 BaseModel()和校验函数 validate();
  • 通过 FeatureManager 获取对应 Model 的特征 Feature:abstract getFieldNames()/getFeatures();
  • 传入 Model 的特征, 获取预测分数:abstract predict(Map

对于 Model 的迭代和更新、以及之后的 Online Learning 等, 通过 ModelManager 对接相应服务来实现。

如上图所示, 对于任何一个可被 Scorer 直接调用 Model, 都需要实现以下接口:

  1. 可供 ModelManager 进行 Model 实例化的 BaseModel()和初始化的 init()
;
  2. 可供 Scorer/InstanceBuilder 获取特征项的 getFieldNames()/getFeatures();
  3. 可供 Scorer 调用进行打分的 predict(Map values) 和 predict(List values)
。

二、特征计算

1、设计流程

不同于离线模型训练,线上特征计算要求低延迟、高复用、强扩展,具体如下:

  • 低延迟:针对不同请求 Query,能够快速计算当前特征值,包括从各种 DB、Redis、ES 等数据源实时地提取相关数据进行计算;
  • 高复用:对于同类或者相同操作的特征,应该具有高复用性,避免重复开发,比如特征交叉操作、从 USER/SHOP 提取基本字段等;
  • 强扩展:能够快速、简单地实现特征,低耦合,减少开发成本。

根据以上系统设计要求, 下图给出了特征计算的设计流程和特征基类说明。

具体说明如下:

  • FeatureManager:特征管理器, 用于特征管理, 主要功能如下:


a. 特征管理:包括自定义特征、基础特征、实时特征、复合特征等; 
b. 特征导入:自定义特征静态代码注册,其他特征数据库导入; 
c. 特征构建:CompsiteFeature 类型特征构建。

  • InstanceBuilder:特征构建器, 用于计算餐厅 / 食物特征, 具体步骤如下:


a. 从每个 Scorer 获取 Feature 列表, 去重, 依赖计算, 最后初始化; 
b. 层级、并行计算每个 EntityInfo 的特征值 (之后会考虑接入 ETL, 用于 Online Learning)。

2、特征定义

上图给出了特征基类说明, 以下是具体的字段和方法说明:

  • type: 特征类型, 现有 query、shop、food, 表示 Feature 的特征维度
(粒度)
  • operate: CompositeFeature 专属, 特征操作, 指定当前特征行为, 比如 ADD、MAPGET 等
  • name: 特征名称

  • weight: 权重, 简单线性模型参数
  • retType: 特征返回字段类型
  • defValue: 特征默认返回值

  • level: CompositeFeature 专属, 当前特征层次, 用于特征层次计算
  • operands: CompositeFeature 专属, 特征操作数, 前置特征直接依赖
  • dependencies: CompositeFeature 专属, 特征依赖
  • *init(): 特征初始化函数
  • *initOther(QueryInfo): InstanceBuilder 调用时实时初始化, 即传入当前特征参数

  • *evaluate(QueryInfo, EntityInfo, StringBuilder): 用于餐厅 / 食物维度的特征计算


根据上两小节设计流程和基类定义的说明, 我们能够非常快速、简便地实现一个自定义特征, 具体流程如下 (score 为例, 对应类名 XXXFeature):

特征类实现:

  • 建立 XXXFeature, 并继承 BaseFeature/CompositeFeature;
  • 实现 init(), 设置 type\name(defValue\weight 可选) 等;
  • 实现 initOther(), 设置特征参数, 包括 infoMap;
  • 实现 evaluate(), 具体包括特征计算的详细逻辑, 对于返回数值的特征。

特征注册

  • 在 FeatureManager 中注册, 或者在后台特征管理系统中注册;
  • 考虑到代码中不允许出现明文常量, 故需在 FeatureConsts 中添加常量定义。

3、特征分类

1. 基础特征:

基础特征为线上可以通过配置特征名直接从 SHOP/USER 获取特征值的特征, 比如:shop_meta_、user_meta_、food_meta_ 等, 详细说明如下表,其从本质上来讲等同于特征操作符 (复合特征)。

2. 实时特征:

实时特征来源于 Kafka 与 Storm 的日志实时计算,存于 Redis,比如:用户食物搜索与点击信息,实例如下表。

3. 自定义特征:

线上除 CompositeFeature 特征外, 所有 XXXFeature 均为自定义特征, 在此不再累述。

4. 复合特征 (CompositeFeature):

用户特征组合的复杂操作, 比如下表所示 (部分)

三、洗牌逻辑

1、洗牌类型

很多时候, 基于算法模型的结果能够给出数据层面的最佳结果, 但是不能保证推荐结果符合人的认知, 比如基于 CTR 预估的逻辑, 在结果推荐上会倾向于用户已点过或已购买过的商户 / 食物, 这样就使得推荐缺少足够的兴趣面。所以, 为了保证推荐结果与用户的相关性, 我们会保留算法模型的结果; 同时, 为了保证结果符合认知, 我们会人为地添加规则来对结果进行洗牌; 最后, 为了扩展用户兴趣点、引导用户选择, 将会人工地引入非相关商户 / 食物, 该部分将是我们后续优化点之一。下面将详细介绍“猜你喜欢”模块线上生效的部分洗牌逻辑,其他洗牌规则类似。

餐厅类目洗牌:

考虑到餐厅排序时, 为避免同类目餐厅扎堆问题, 我们设定了餐厅类目洗牌, 基本规则如下:

针对 top = SHOP_CATE_TOPNUM 餐厅, 不允许同类目餐厅连续超过 MAX_SHOP_SHOPCNT。

餐厅推荐食物数洗牌:

在餐厅列表排序时, 总是希望排在前面的商户具有更好的展示效果、更高的质量。针对 1餐厅 +3食物 模式, 如果前排餐厅食物缺失 (少于 3 个) 时, 页面的整体效果就会大打折扣, 所以我们制定了食物数洗牌, 具体规则如下:

所有 1 个食物的餐厅沉底; 
针对 top=SHOP_FOODCNT_TOPNUM 餐厅, 食物数 < SHOP_FOODCNT_FOODCNT(3) 的餐厅降权

餐厅名称洗牌:

正常时候, 推荐需要扩展和引导用户的兴趣点, 避免同类扎堆, 比如盖浇饭类目餐厅等。同样的, 我们也不希望相同或相似名称的餐厅扎堆, 比如连锁店、振鼎鸡等。针对此问题, 考虑到餐厅名称的不规则性, 我们通过分词和统计, 把所有餐厅名称做了结构化归类 (distinct_flag), 比如所有“XXX 黄焖鸡”都归为“黄焖鸡”、“星巴克 XX 店”归为“星巴克”等。之后类似于餐厅类目洗牌, 做重排, 具体规则如下:

对 top=SHOP_FLAG_TOPNUM 餐厅进行标签 (flag) 洗牌, 使得同一标签的餐厅排序位置差不得小于 SHOP_FLAG_SPAN

2、线上逻辑
从上一节中可知, 各个洗牌之间存在相互制约, 即洗牌不能并行、只能串行, 谁前谁后就会导致不同的排序结果, 所以, 这里需要考虑各个洗牌对排序的影响度和优先级:

  • 影响度:即对原列表的重排力度, 比如对于连锁店少的区域, 名称洗牌的影响度就会小, 反之, 比如公司周边有 25 家振鼎鸡, 影响度就会变大;
  • 优先级:即洗牌的重要性, 比如前排餐厅如果食物少于规定数量, 其实质是浪费了页面曝光机会, 所以食物数洗牌很有必要。

考虑到洗牌的串行逻辑, 越靠后的洗牌具有更高优先级。为了能够灵活变更线上的洗牌规则, 系统结合 Huskar System(线上配置修改系统), 能够快速、便捷地更改洗牌逻辑,下面给出了一个配置实例。

[
{"name": "recfoods", "topnum": 15, "foodcnt": 3}, 
{"name": "category", "topnum": 15, "shopcnt": 2}, 
{"name": "shopflag", "topnum": 20, "span": 3, "exclude": "XXX"}},
{"name": "recfoods", "topnum": 15, "foodcnt": 3},
{"name": "dinner","topnum":5,"interval": ["10:30~12:30","16:30~18:30"]},
{"name": "mixture","topnum":12, "include": "XXX"}
]

四、总结

对于一个处于业务快速增长期的互联网企业,如何能够在最短时间内构建一个可快速迭代的推荐系统,是摆在眼前的现实问题。此次分享从饿了么自身业务出发,结合推荐系统的常见问题和解决方案,给出了从产品形态出发, 包括推荐模型与特征工程、日志处理与效果评估, 以及更深层次的场景选择和意图识别等在内多方面的线上实践,力图从整体及细节上还原和展示推荐系统的本质,以期能够为大家今后的工作提供帮助。


更多高质资源 尽在AIQ 机器学习大数据 知乎专栏 点击关注

转载请注明 AIQ - 最专业的机器学习大数据社区  http://www.6aiq.com