如何进行FM+GBM排序模型的深度解析
如何进行FM+GBM排序模型的深度解析，相信很多没有经验的人对此束手无策，为此本文总结了问题出现的原因和解决方法，通过这篇文章希望你能解决这个问题。
背景
信息流短视频以算法分发为主，人工分发为辅，依赖算法实现视频的智能分发，达到千人千面的效果。整个分发流程分为：触发召回、排序与重排三个阶段。排序层在其中起着承上启下的作用，是非常重要的一个环节。在排序层优化的过程中，除了借鉴业界前沿的经验和做法，我们也做了模型上的一些创新。
信息流短视频排序目前使用是以CTR预估为目标的Wide&Deep模型。通过引入时长特征、点击+时长多目标优化等工作，我们取得了不错的收益：
● 增加视频平均播放时长特征，作为用户真实体感信号，带来用户消费时长提升；
● 通过消费时长样本加权，实现点击+时长多目标优化，实现点击率与消费时长的提升；
● 引入多个视频下发场景的样本数据，实现多场景样本融合；
在优化排序模型的过程中，我们也调研了DeepFM/DeepCN等深度模型，这些模型无论从离线还是线上指标上，都没有明显优势。在优化Wide&Deep模型的同时，更迫切的需求，是跳出原有的框架，寻找新的收益点。
cdn.com/9d7991c499d8a9b82991051261863d1811117a0a.png">
引入GBM对submodel和高级特征等信号做集成学习，效果要优于单模型。从计算学习理论上看，Wide&Deep是high-variance模型，容易过拟合(wd模型的训练比评估指标高7%)。GBM通过boosting的方式组合集成多个submodel和高级特征，更好地发挥各自不同的作用和优势互补，同时从整体上有更好的可解释性。
上面是对信息流短视频排序模型演进的简要介绍；而其中的FM+GBM模型是我们团队比较有开创性的一项工作，下面稍微展开介绍。
模型
向量分解机（Factorization Machines, FM）是一种应用较为广泛的推荐模型，其发明者Steffen Rendle目前供职于Google。FM是对传统LR模型在处理高阶交互特征问题上的优化和改进：LR通过特征交叉的方式，将组合后的特征作为新特征加入到模型中，模型复杂度为O(N^2)（N为交互特征的数量，下同），记忆性较强而泛化性偏弱；FM通过将特征表征为隐向量，通过隐向量的相似度（內积）来表示特征关联这种方式来巧妙地提升模型的泛化能力；FM模型的复杂度为O(N*k)（k为隐向量维度超参）。
以二阶交互的FM模型为例，其模型定义如下：
FM本质上是一个线性模型，不同项之间以线性组合的方式影响模型的输出。如果要考虑更加复杂的模型组合，计算复杂度将会非常高。尽管学术界也有像张量分解（Tensor Decomposition）这类处理高阶交互特征的模型；但在工业级，考虑到效果与性能的折衷，往往只考虑二阶的交互。但在此基础上，我们可以考虑引入非线性的模型来优化FM模型。
在非线性模型中，树模型（CART/GBM/Random Forest）的应用非常广泛。我们引入GBM作为组合FM的非线性模型：
FM+GBM一期（纯GBM）
一期主要打通整个实验框架和数据流，并没有引入额外的信号。GBM使用的信号包括：wd/lr模型等sub-model打分、点击率/时长和体感特征，以及一些简单的匹配度特征。整个实验框架比较简单：精排流程新增GBMScorer，实现以下2个功能：
● 分发服务器通过流量分桶决定精排是否使用GBM打分，由GBMScorer具体执行；
● 特征归一化和回流。提取的特征经归一化后返回给分发服务器，由分发服务器回流至日志服务器落盘。点击日志也同时经由日志服务器落盘。点击-展现日志通过reco_id+iid对齐，经清洗、过滤和反作弊处理后，提取回流特征用于模型训练；
在调研和实验的过程中，以下是一些经验和教训：
● 样本与超参的选择：为了让模型尽可能地平滑，我们从7天滑动窗口的数据中随机抽取样本，并按比例分割训练/验证/测试集。通过交叉验证的方式选择超参；在所有的超参中，树深度对结果的影响比较大，深度为6时效果明显优于其他选择。在调参过程中，auc和loss这两项评估指标在训练/评估/测试数据集上并没有明显的差异，由此可见GBM模型的泛化性。
● 离线评估指标：auc是排序模型常用的离线评估指标之一，但全局auc粒度太粗，可以结合业务计算一些细粒度的auc。行业有采用以Query为粒度，计算QAUC，即单个Query的auc，再按均值或者加权的方式融合得到的auc，比起全局auc指标更加合理。我们采用类似做法，以单次下发为粒度计算auc，再计算均值或者按点击加权。需要注意的是，auc计算的粒度决定了划分数据集的粒度。如果按照单次下发为粒度计算，那么一次下发的所有样本都必须同时落在训练/评估/测试数据集上。除此之外，单次下发中如果零点击或者全点击，这部分数据也是需要废弃的。
● 特征的归一化：尤其是对与用户相关的特征进行归一化尤为重要。通过分析精排打分（wd），我们发现不同用户间的精排打分分布的差异较为显著：同一用户的打分方差小，分布比较集中；不同用户用户打分均值的方差比较大。如果不对精排打分做归一化处理，GBM训练过程很难收敛。
GBM和精排打分也会随特征回流。日志对齐后，可以对这两个模型在离线评估指标上做比较fair的对比。从全局auc/单次下发粒度auc与小流量实验的结果来看，细粒度auc与在线实验的效果更加趋于一致。
FM+GBM二期
一期搭建了实验框架和数据流，二期开始考虑引入新的信号。
纵观眼下GBM用到的信号，主要分为两类：一是item侧信号，这类特征从各个维度刻画了item的特性：热度、时长、质量等。这类特征有助于我们筛选精品内容，提升推荐质量baseline。二是相关性特征，用于刻画用户和视频的关联度（关联度可以通过点击刻画，也可以通过时长刻画；目前主要通过点击），提升推荐的个性化，做到千人千面。个性化水平才是信息流的核心竞争力。
目前相关性特征通过长短期用户画像计算和视频在一级/二级类目和TAG上的匹配程度，至少存在2个问题：
● BoW稀疏的特征表达无法计算语义层面的匹配度；例如，带足球标签的用户和梅西的视频通过这种方式计算得到的匹配度为0。
● 目前视频结构化信息的准确率/覆盖率较低，会直接影响这类特征的效果。
wd/lr模型能够一定程度解决上述问题。尤其wd模型，通过embedding技术，将用户和视频本身及各个维度的结构化信息嵌入到一个低维隐向量，能够一定程度缓解这个问题。但是这类隐向量缺乏灵活性，无法脱离wd模型单独使用：计算用户和视频的匹配度，除了需要用户和视频的隐向量，还要结合其他特征，并经过一系列隐层的计算才能得到。
业界主流公司的做法，是通过FM模型，将所有id特征都分成在同一个空间内的隐向量，因而所有的向量都是可比的：不仅用户与视频本身和各个维度的匹配度，甚至用户之间、视频之间，都可以通过简单的向量运算得到匹配度。从模型结构看，FM模型可以认为是能够更加紧密刻画这种匹配度的神经网络结构。为此，我们引入FM模型分解点击-展现数据，得到用户和视频本身及各个维度的隐向量。通过这些隐向量计算用户和视频的匹配度。这些信号和与其它sub-model和高级特征一起，通过GBM进行点击率预估。
这种做法与Facebook在KDD'14发表的LR+GBDT模型有相似之处，差异在于： LR+GBDT本质上是线性模型，而FM+GBM是树模型，能够处理信号与目标间高度非线性的复杂关系，也具备更好的可解释性。整个算法框架如图所示：
由于FM需要例行训练，用户隐向量灌库和视频隐向量加载之间存在时间差，而不同版本模型的隐向量之间是不可比的。为此我们设计了简单的版本对齐机制：所有隐向量都会保留最近2个版本的数据；在FM在线计算模块中，实现版本对齐的逻辑，用对齐后最新版本的隐向量计算匹配度。由于例行训练的时间窗口为4~6个小时，保留2个版本的数据是足以保证绝大部分隐向量能够对齐。在更加高频的模型训练中，可以增加版本的数量来确保模型对齐。
效果上：一期+二期离线AUC提升10%，在线CTR和人均点击提升6%。
信息流短视频排序层经过一段时间的迭代优化，目前已经形成 LR->WD->FM+GBM这套相对比较完备体系。这种漏斗体系有助于排序层在性能和效果之间trade-off：越往后，模型越复杂/特征越高级/计算量越大，而参与计算的视频数据量更少。
看完上述内容，你们掌握如何进行FM+GBM排序模型的深度解析的方法了吗？如果还想学到更多技能或想了解更多相关内容，欢迎关注行业资讯频道，感谢各位的阅读！
