ML:阿里云计算平台之搜索推荐演讲分享《多场景智能推荐助力业务增长》、《阿里云智能推荐应用实践:PAI |
您所在的位置:网站首页 › 推荐 召回算法 › ML:阿里云计算平台之搜索推荐演讲分享《多场景智能推荐助力业务增长》、《阿里云智能推荐应用实践:PAI |
ML:阿里云计算平台之搜索推荐演讲分享《多场景智能推荐助力业务增长》、《阿里云智能推荐应用实践:PAI-EasyRec Framework》、《新一代数仓架构漫谈》 目录 《多场景智能推荐助力业务增长》 开箱即用+推荐精准+灵活适配 实时的互动式推荐功能 新商品冷启动 物品圈选、人群圈选、流量策略 标签沉淀、人群分析、人群圈选 基于归档算法定制 召回和排序 基于原子组件定制 为趣短视频个性化推荐方案 阿里云智能推荐应用实践:PAI-EasyRec Framework 智能推荐流程及挑战 个性化推荐模型 EasyRec Framework: more than a collections of models EasyRec的优势:多平台训练,部署简单; EasyRec的优势:丰富多样的特征 EasyRec的优势: Feature Generation(FG):一致性保证 EasyRec的优势:实现了业界领先的模型 EasyRec的优势:自动调参 EasyRec的优势:推理性能优化 EasyRec的优势:在实际场景中得到验证 新一代数仓架构漫谈 传统数据仓库数据流程 Lambda:割裂的架构,需要改变 阿里业务场景原架构 下一代实时数仓如何选型 阿里搜索推荐:从N到1,Hologres简化大数据架构 云上实时数据分析技术选型 Hologres : Better OLAP + Better Serving+Cost Reduced DataWorks数据集成:一键实时同步至Hologres 小红书:推荐业务OLAP分析 《多场景智能推荐助力业务增长》 搭建成本 人员要求高:自建推荐系统对人员要求较高,系统开发、数据处理、召回、排序模型开发及调优,均需要高级开发&算法工程师长期参与; 上线周期长:推荐系统架构复杂,为达到上线效果需要反复调优,所需开发时间多于3个月; 运维成本高:升级迭代、自建系统后期有较高的维护成本。 推荐效果 冷启动效果差:上线初期无历史行为数据积累的情况下,推荐系统效果较差; 效果调优困难:套用主流算法不一定有好的效果,还需考虑应用领域数据、相关性、新颖度、时效性等多维度推荐效果; 核心指标难统一:想提高CTR的同时又增加用户停留时长,无法兼顾多个核心指标。 后续维护 适配难度大:任何一套推荐引擎都无法完全适配企业的业务诉求,智能推荐提供了黑白盒一体化; 运营易用性:推荐系统较复杂,不具备算法知识但需要干预的运营人员上手难度大; 服务稳定性:推荐场景通常用于高流量页面,对系统性能及稳定性以及弹性要求极高; 开箱即用+推荐精准+灵活适配开箱即用:高度产品化、行业化;行业与阿里自研主流算法封装;覆盖全链路(支持友盟SDK行为采集);推荐精准:行业、场景定向优化;多目标模型训练;多种模型策略;全托管:保障在线服务稳定性;灵活升降配服务;丰富的数据质量诊断功能,在线服务监控告警;灵活适配:运营助手;产品和运营可快速干预推荐开发和算法;集成强大的离线、在线链路开发能力; 实时交互是促进消费者沉浸式浏览的必备基础功能。推荐PLUS可实时学习消费者当前兴趣表达、变化,并更新在下一次生成的推荐结果中,从而实现实时的互动式推荐功能。 推荐系统在与用户互动的过程中,有可能出现不符用户预期的推荐结果,而负反馈成为推荐与用户对话的重要入口。推荐PLUS支持单个商品维度、商品类目维度以及商品其他特征类维度的负反馈功能。 禁推-A 注意:针对小明,将不再推荐A-羽毛球拍商品((这一款)。 降权-B 注意:针对小明,将减少推荐B-手风琴商品(这一类)。 降权-C 注意:针对小明,将减少推荐C-高跟鞋商品(这一品牌/店铺/标签等)。 新商品冷启动新商品冷启动是每个电商平台棘手的推荐难题。推荐Plus可根据站内用户行为分析、兴趣分析,结合新品特征属性,小流量个性化探测新品潜力,从而逐渐扶持/打压新品的推荐流量。 发布的新品→结合用户画像分发推荐→新品潜力分析 场景作为个性化推荐的流量入口,在不同的页面/不同的用户群可进行差异化的定制。如,首页的推荐、频道页推荐、个人中心页、搜索空结果页、商品详情页、购物车页等等。推荐PLUS支持定制差异化的场景选品规则。 定制算法策略的同时,无需关注上游的数据埋点、清洗逻辑、以及下游的在线链路拼接逻辑,仅需在控制台手动创建实验,即可对一组、多组配置进行修改,进行效果的追踪与实验的决策。 召回 I2I(拼接与截断、叶子类目优先级) U2X2I(截断数量,特征选举-类目、作者、频道、标签等)Hot(截断数量) New(截断数量,特征选举-类目、作者、频道、标签等) Embedding(截断数量,item2vec、tag2vec、title2vec) 新增自定义召回链路 Etrec (12i、集团内部业务应用的i2I算法) GraphSage(u2I,行业内唯一能输出GNN算法的平台,GNN是目前技术领域比较领先的框架 ALS实现user和item向量产出 排序 DeepFM(业内目前知名度最高的深度学习排序算法,基于论文自行实现版本) MultiTower(基于Youtube论文,PAI自行实现的一版) BST(阿里自研,用户历史行为序列建模) ESMM、MMoE(实现多目标优化的排序模型) DIN(阿里自研,目前在业内比较出名的一款产自阿里的深度学习排序算法) 基础排序模型如LR、GBDT等 通离线平台结合预采用的行业内算法模型,通过拖拽的简易方式,进行上下游数据连通,节点参数配置,串通一套完整的召回/排予侯全,并生成召回表/生排序模型。 启用/创建实验 实验模板创建 基准/缺省实验 实验置信校验 定制算法配置1-n 定制召回 定制排序 定制实时行为 实验调试与分桶 桶号指定 实验生命周期管理 体验测试 实验效果分析 单实验效果报表 多实验效果报表 多元指标选择 实验决策 下线 推全 实验记录与溯源 为趣是微信小程序中的长视频应用,在小程序总榜名列Top10, ·CTR提升接近3% ·人均使用时长提升11% ·在长尾视频挖掘方面得到显著提升,多曝光了2-3倍的视频 以上目标的提升带动了用户上传视频的积极性,总体提升了23%的视频上传量
推荐服务(在线) 训练(离线) 数据加工存储(离线) 目标:针对不同用户画像,实现推荐的千人千面。 模块:日志收集,特征生成,内容召回,计算排序,曝光过滤,运营规则,效果评估 用户→日志收集→特征生成→用户画像/物品画像/用户行为→召回→排序→曝光过滤→效果评估→AB,分桶→用户 用户画像:男,三四线城市,娱乐,体育,林书豪 物品画像:娱乐,高以翔,跑步,健康 用户行为:点击,曝光,分享 ·海量数据:召回样本数据量达到千万级别,排序样本量会上亿,单机训练非常困难 ·海量特征:训练和推理的性能优化, RT,QPS,机器成本 ·多目标优化:点击率,转化率,观看时长,多样性,模型复杂; ·冷启动:曝光测试,好友→地域→全网 ·实时训练:实时特征(Flink,Kafka)+实时模型(EasyRec) 推荐模型演化 浅层模型 深度模型 召回 协同过滤→FM EasyRec YoutubeNet DSSM MIND >> 高阶特征交叉 >> 行为序列建模 >> 多目标共享 >> 迁移学习 排序 LR→GBDT、FM、MLR WideAndDeep DEEPFM DIN 多目标 多个LR/GBDT模型 MMoE ESSM DBMTL
主要组件都是可定制的:Input, FeatureGeneration, DeepModel, Optimizer,他们工作在即插即用模式。 >>ldFeature:离散特征 对于推荐系统很关键,如user_id, item_id等。 >>RawFeature:连续值特征 如身高、体重、价格、历史点击率等; 也支持word2vec, cnn和bert产生的embedding,做多模态训练,短视频、新闻推荐常用。 >>TagFeature:多值特征 如标签特征:健身、音乐、旅游等,电商、短视频推荐常用。 >>ComboFeature:组合特征,如年龄+地域 >>LookupFeature:查找特征,如从user的访问列表中查询item >>MatchFeature:双层查找特征,根据类别和item进行两次查找 >>SequenceFeature:序列特征,用户行为建模必备(DIN/BST) 基于FeatureColumn 实现,和tensorflow的接口完全兼容。 特征是提升效果的关键因素 训练、评估、导出共享一套特征处 特征生成(FG)是最复杂的部分,容易导致线上线下不一致。为了保证一致性, EasyRec线上线下使用相同的FG代码 >>召回模型(Candidate Generation):DSSM/ FM >>排序模型(Rank Models): FM/ WideAndDeep / DeepFM DeepKFM / DeepCross / Autolnt / MultiTower DIN/ BST >>多目标模型(MultiTask Model): Simple MultiTask/MMoE/ ESMM / DBMTL >>More models in development: ListWise, ReRank模型 DeepGBM,连续值建模优化 多臂老虎机,冷启动模型 迁移学习 多目标建模、多兴趣建模 深度模型效果好,但是对工程能力的挑战比较大 如何保证QPS和RT? In EasyRec, we optimize tensorflow graph: 批量数据分析流程 (1)、T+0数据接入 多种数据源接入 (2)、定时数据开发与应用 数据提取/数据转换/数据加载 ODS数据处理 DWD标准数据场景 MDM元数据 数据集市应用 (3)、核心痛点 ETL计算/存储/时间成本过高 数据处理链路过长 数据源分为T+1和T+0数据 T+1数据→Batch View:离线数仓,数据周期性更新,面向复用。 T+0数据→Real-Time View:实时数仓,数据实时更新,面向应用。 实时写入、实时计算、实时洞察 实时离线一体化,减少数据移动 业务与技术解耦,支持自助式分析 拥抱标准,拥抱生态,拥抱云原生
Hologres是一款实时HSAP产品,隶属阿里自研大数据品牌MaxCompute,云原生分布式分析引擎,支持对PB级数据进行高并发、低延时的分析,支持实时数仓,大数据交互式分析等场景。 可以将指定数据源中的数据,通过简单的配置,一次性的实时同步到Hologres中,支持整库内批量多表同步,同时也支持全增量一体化同步,先全量数据迁移,然后实时增量保持更新。 小红书推荐业务下4种典型OLAP分析场景,按实验分组实时分析、多计算中心上线业务指标验证、灰度发包按版本实时指标对比、实时业务指标告警。 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |