關(guān)注“Python貓” ，一個(gè)值得加星標(biāo)的公眾號(hào)

劇照 | 《異星災(zāi)變》

做廣告業(yè)務(wù)1年多時(shí)間了，但是平時(shí)的工作主要和廣告工程有關(guān)，核心的廣告算法由 AI 部門(mén)支持，對(duì)我們而言可以說(shuō)是「黑盒般」的存在，只需要對(duì)訓(xùn)練好的模型進(jìn)行調(diào)用即可。

近期，我打算系統(tǒng)性地學(xué)習(xí)下廣告中的搜索和推薦算法，當(dāng)然更多是從工程的視角去弄清楚：算法的基本原理、以及面對(duì)線上海量數(shù)據(jù)時(shí)算法是如何解決性能問(wèn)題的？整個(gè)過(guò)程，我會(huì)將有價(jià)值的技術(shù)點(diǎn)輸出成系列文章。

這篇文章屬于推薦系統(tǒng)的入門(mén)篇，本文暫不考慮線上環(huán)境的海量數(shù)據(jù)，目的是先了解清楚推薦系統(tǒng)的基本構(gòu)成，我會(huì)通過(guò)圖解推薦算法以及程序demo的形式展開(kāi)，內(nèi)容包括：

01 走進(jìn)推薦系統(tǒng)的世界

“啤酒與尿布” 的故事相信很多人都聽(tīng)過(guò)，年輕爸爸去超市購(gòu)買(mǎi)尿布時(shí)，經(jīng)常會(huì)買(mǎi)點(diǎn)啤酒犒勞自己。因此，沃爾瑪將這兩種商品進(jìn)行了捆綁銷售，最終獲得了更好的銷量。

“啤酒與尿布”的故事

這個(gè)故事背后的理論依據(jù)就是 “推薦算法”，因?yàn)槟虿己推【平?jīng)常出現(xiàn)在同一個(gè)購(gòu)物車(chē)中，那么向購(gòu)買(mǎi)尿布的年輕爸爸推薦啤酒確實(shí)有一定道理。

1. 推薦系統(tǒng)到底解決的是什么問(wèn)題？

推薦系統(tǒng)從20世紀(jì)90年代就被提出來(lái)了，但是真正進(jìn)入大眾視野以及在各大互聯(lián)網(wǎng)公司中流行起來(lái)，還是最近幾年的事情。

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，越來(lái)越多的信息開(kāi)始在互聯(lián)網(wǎng)上傳播，產(chǎn)生了嚴(yán)重的信息過(guò)載。因此，如何從眾多信息中找到用戶感興趣的信息，這個(gè)便是推薦系統(tǒng)的價(jià)值。精準(zhǔn)推薦解決了用戶痛點(diǎn)，提升了用戶體驗(yàn)，最終便能留住用戶。

推薦系統(tǒng)本質(zhì)上就是一個(gè)信息過(guò)濾系統(tǒng)，通常分為：召回、排序、重排序這3個(gè)環(huán)節(jié)，每個(gè)環(huán)節(jié)逐層過(guò)濾，最終從海量的物料庫(kù)中篩選出幾十個(gè)用戶可能感興趣的物品推薦給用戶。

推薦系統(tǒng)的分階段過(guò)濾流程

2. 推薦系統(tǒng)的應(yīng)用場(chǎng)景

哪里有海量信息，哪里就有推薦系統(tǒng)，我們每天最常用的APP都涉及到推薦功能：

• 資訊類：今日頭條、騰訊新聞等
• 電商類：淘寶、京東、拼多多、亞馬遜等
• 娛樂(lè)類：抖音、快手、愛(ài)奇藝等
• 生活服務(wù)類：美團(tuán)、大眾點(diǎn)評(píng)、攜程等
• 社交類：微信、陌陌、脈脈等

頭條、京東、網(wǎng)易云音樂(lè)中的推薦功能

推薦系統(tǒng)的應(yīng)用場(chǎng)景通常分為以下兩類：

• 基于用戶維度的推薦：根據(jù)用戶的歷史行為和興趣進(jìn)行推薦，比如淘寶首頁(yè)的猜你喜歡、抖音的首頁(yè)推薦等。

• 基于物品維度的推薦：根據(jù)用戶當(dāng)前瀏覽的標(biāo)的物進(jìn)行推薦，比如打開(kāi)京東APP的商品詳情頁(yè)，會(huì)推薦和主商品相關(guān)的商品給你。

3. 搜索、推薦、廣告三者的異同

搜索和推薦是AI算法最常見(jiàn)的兩個(gè)應(yīng)用場(chǎng)景，在技術(shù)上有相通的地方。這里提到廣告，主要考慮很多沒(méi)做過(guò)廣告業(yè)務(wù)的同學(xué)不清楚為什么廣告和搜索、推薦會(huì)有關(guān)系，所以做下解釋。

• 搜索：有明確的搜索意圖，搜索出來(lái)的結(jié)果和用戶的搜索詞相關(guān)。

• 推薦：不具有目的性，依賴用戶的歷史行為和畫(huà)像數(shù)據(jù)進(jìn)行個(gè)性化推薦。

• 廣告：借助搜索和推薦技術(shù)實(shí)現(xiàn)廣告的精準(zhǔn)投放，可以將廣告理解成搜索推薦的一種應(yīng)用場(chǎng)景，技術(shù)方案更復(fù)雜，涉及到智能預(yù)算控制、廣告競(jìng)價(jià)等。

02 推薦系統(tǒng)的整體架構(gòu)

推薦系統(tǒng)的整體架構(gòu)

上面是推薦系統(tǒng)的整體架構(gòu)圖，自下而上分成了多層，各層的主要作用如下：

• 數(shù)據(jù)源：推薦算法所依賴的各種數(shù)據(jù)源，包括物品數(shù)據(jù)、用戶數(shù)據(jù)、行為日志、其他可利用的業(yè)務(wù)數(shù)據(jù)、甚至公司外部的數(shù)據(jù)。

• 計(jì)算平臺(tái)：負(fù)責(zé)對(duì)底層的各種異構(gòu)數(shù)據(jù)進(jìn)行清洗、加工，離線計(jì)算和實(shí)時(shí)計(jì)算。

• 數(shù)據(jù)存儲(chǔ)層：存儲(chǔ)計(jì)算平臺(tái)處理后的數(shù)據(jù)，根據(jù)需要可落地到不同的存儲(chǔ)系統(tǒng)中，比如Redis中可以存儲(chǔ)用戶特征和用戶畫(huà)像數(shù)據(jù)，ES中可以用來(lái)索引物品數(shù)據(jù)，F(xiàn)aiss中可以存儲(chǔ)用戶或者物品的embedding向量等。

• 召回層：包括各種推薦策略或者算法，比如經(jīng)典的協(xié)同過(guò)濾，基于內(nèi)容的召回，基于向量的召回，用于托底的熱門(mén)推薦等。為了應(yīng)對(duì)線上高并發(fā)的流量，召回結(jié)果通常會(huì)預(yù)計(jì)算好，建立好倒排索引后存入緩存中。

• 融合過(guò)濾層：觸發(fā)多路召回，由于召回層的每個(gè)召回源都會(huì)返回一個(gè)候選集，因此這一層需要進(jìn)行融合和過(guò)濾。

• 排序?qū)樱?/span>利用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型，以及更豐富的特征進(jìn)行重排序，篩選出更小、更精準(zhǔn)的推薦集合返回給上層業(yè)務(wù)。

從數(shù)據(jù)存儲(chǔ)層到召回層、再到融合過(guò)濾層和排序?qū)樱?span style="color: rgb(74, 74, 74);font-family: Avenir, -apple-system-font, 微軟雅黑, sans-serif;font-size: 15px;letter-spacing: 0.544px;white-space: pre-line;background-color: rgb(255, 255, 255);">候選集逐層減少，但是精準(zhǔn)性要求越來(lái)越高，因此也帶來(lái)了計(jì)算復(fù)雜度的逐層增加，這個(gè)便是推薦系統(tǒng)的最大挑戰(zhàn)。

其實(shí)對(duì)于推薦引擎來(lái)說(shuō)，最核心的部分主要是兩塊：特征和算法。

推薦引擎的核心功能和技術(shù)方案

特征計(jì)算由于數(shù)據(jù)量大，通常采用大數(shù)據(jù)的離線和實(shí)時(shí)處理技術(shù)，像Spark、Flink等，然后將計(jì)算結(jié)果保存在Redis或者其他存儲(chǔ)系統(tǒng)中（比如HBase、MongoDB或者ES），供召回和排序模塊使用。

召回算法的作用是：從海量數(shù)據(jù)中快速獲取一批候選數(shù)據(jù)，要求是快和盡可能的準(zhǔn)。這一層通常有豐富的策略和算法，用來(lái)確保多樣性，為了更好的推薦效果，某些算法也會(huì)做成近實(shí)時(shí)的。

排序算法的作用是：對(duì)多路召回的候選集進(jìn)行精細(xì)化排序。它會(huì)利用物品、用戶以及它們之間的交叉特征，然后通過(guò)復(fù)雜的機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)模型進(jìn)行打分排序，這一層的特點(diǎn)是計(jì)算復(fù)雜但是結(jié)果更精準(zhǔn)。

03?圖解經(jīng)典的協(xié)同過(guò)濾算法

了解了推薦系統(tǒng)的整體架構(gòu)和技術(shù)方案后，下面帶大家深入一下算法細(xì)節(jié)。這里選擇圖解的是推薦系統(tǒng)中的明星算法：協(xié)同過(guò)濾（Collaborative Filtering，CF）。

對(duì)于工程同學(xué)來(lái)說(shuō)，可能覺(jué)得 AI 算法晦澀難懂，門(mén)檻太高，確實(shí)很多深度學(xué)習(xí)算法的確是這樣，但是協(xié)同過(guò)濾卻是一個(gè)簡(jiǎn)單同時(shí)效果很好的算法，只要你有初中數(shù)學(xué)的基礎(chǔ)就能看懂。

1. 協(xié)同過(guò)濾是什么？

協(xié)同過(guò)濾算法的核心就是「找相似」，它基于用戶的歷史行為（瀏覽、收藏、評(píng)論等），去發(fā)現(xiàn)用戶對(duì)物品的喜好，并對(duì)喜好進(jìn)行度量和打分，最終篩選出推薦集合。它又包括兩個(gè)分支：

• 基于用戶的協(xié)同過(guò)濾：User-CF，核心是找相似的人。比如下圖中，用戶 A 和用戶 C 都購(gòu)買(mǎi)過(guò)物品 a 和物品 b，那么可以認(rèn)為 A 和 C 是相似的，因?yàn)樗麄児餐矚g的物品多。這樣，就可以將用戶 A 購(gòu)買(mǎi)過(guò)的物品 d 推薦給用戶 C。

基于用戶的協(xié)同過(guò)濾示例

• 基于物品的協(xié)同過(guò)濾：Item-CF，核心是找相似的物品。比如下圖中，物品 a 和物品 b 同時(shí)被用戶 A，B，C 購(gòu)買(mǎi)了，那么物品 a 和 物品 b 被認(rèn)為是相似的，因?yàn)樗鼈兊墓铂F(xiàn)次數(shù)很高。這樣，如果用戶 D 購(gòu)買(mǎi)了物品 a，則可以將和物品 a 最相似的物品 b 推薦給用戶 D。

基于物品的協(xié)同過(guò)濾示例

2. 如何找相似？

前面講到，協(xié)同過(guò)濾的核心就是找相似，User-CF是找用戶之間的相似，Item-CF是找物品之間的相似，那到底如何衡量?jī)蓚€(gè)用戶或者物品之間的相似性呢？

我們都知道，對(duì)于坐標(biāo)中的兩個(gè)點(diǎn)，如果它們之間的夾角越小，這兩個(gè)點(diǎn)越相似，這就是初中學(xué)過(guò)的余弦距離，它的計(jì)算公式如下：

舉個(gè)例子，A坐標(biāo)是（0，3，1），B坐標(biāo)是（4，3，0），那么這兩個(gè)點(diǎn)的余弦距離是0.569，余弦距離越接近1，表示它們?cè)较嗨啤?br>

除了余弦距離，衡量相似性的方法還有很多種，比如：歐式距離、皮爾遜相關(guān)系數(shù)、Jaccard 相似系數(shù)等等，這里不做展開(kāi)，只是計(jì)算公式上的差異而已。

3. Item-CF的算法流程

清楚了相似性的定義后，下面以Item-CF為例，詳細(xì)說(shuō)下這個(gè)算法到底是如何選出推薦物品的？

第一步：整理物品的共現(xiàn)矩陣

假設(shè)有 A、B、C、D、E 5個(gè)用戶，其中用戶 A 喜歡物品 a、b、c，用戶 B 喜歡物品 a、b等等。

所謂共現(xiàn)，即：兩個(gè)物品被同一個(gè)用戶喜歡了。比如物品 a 和 b，由于他們同時(shí)被用戶 A、B、C 喜歡，所以 a 和 b 的共現(xiàn)次數(shù)是3，采用這種統(tǒng)計(jì)方法就可以快速構(gòu)建出共現(xiàn)矩陣。

第二步：計(jì)算物品的相似度矩陣

對(duì)于 Item-CF 算法來(lái)說(shuō)，一般不采用前面提到的余弦距離來(lái)衡量物品的相似度，而是采用下面的公式：

其中，N(u) 表示喜歡物品 u 的用戶數(shù)，N(v) 表示喜歡物品 v 的用戶數(shù)，兩者的交集表示同時(shí)喜歡物品 u 和物品 v 的用戶數(shù)。很顯然，如果兩個(gè)物品同時(shí)被很多人喜歡，那么這兩個(gè)物品越相似。

基于第1步計(jì)算出來(lái)的共現(xiàn)矩陣以及每個(gè)物品的喜歡人數(shù)，便可以構(gòu)造出物品的相似度矩陣：

第三步：推薦物品

最后一步，便可以基于相似度矩陣推薦物品了，公式如下：

其中，Puj 表示用戶 u 對(duì)物品 j 的感興趣程度，值越大，越值得被推薦。N(u) 表示用戶 u 感興趣的物品集合，S(j,N) 表示和物品 j 最相似的前 N 個(gè)物品，Wij 表示物品 i 和物品 j 的相似度，Rui?表示用戶 u 對(duì)物品 i 的興趣度。

上面的公式有點(diǎn)抽象，直接看例子更容易理解，假設(shè)我要給用戶 E 推薦物品，前面我們已經(jīng)知道用戶 E 喜歡物品 b 和物品 c，喜歡程度假設(shè)分別為 0.6 和 0.4。那么，利用上面的公式計(jì)算出來(lái)的推薦結(jié)果如下：

因?yàn)槲锲?b 和物品 c 已經(jīng)被用戶 E 喜歡過(guò)了，所以不再重復(fù)推薦。最終對(duì)比用戶 E 對(duì)物品 a 和物品 d 的感興趣程度，因?yàn)?0.682 > 0.3，因此選擇推薦物品 a。

04?從0到1搭建一個(gè)推薦系統(tǒng)

有了上面的理論基礎(chǔ)后，我們就可以用 Python 快速實(shí)現(xiàn)出一個(gè)推薦系統(tǒng)。

1. 選擇數(shù)據(jù)集

這里采用的是推薦領(lǐng)域非常經(jīng)典的 MovieLens 數(shù)據(jù)集，它是一個(gè)關(guān)于電影評(píng)分的數(shù)據(jù)集，官網(wǎng)上提供了多個(gè)不同大小的版本，下面以 ml-1m 數(shù)據(jù)集（大約100萬(wàn)條用戶評(píng)分記錄）為例。

下載解壓后，文件夾中包含：ratings.dat、movies.dat、users.dat 3個(gè)文件，共6040個(gè)用戶，3900部電影，1000209條評(píng)分記錄。各個(gè)文件的格式都是一樣的，每行表示一條記錄，字段之間采用 :: 進(jìn)行分割。

以ratings.dat為例，每一行包括4個(gè)屬性：UserID, MovieID, Rating, Timestamp。通過(guò)腳本可以統(tǒng)計(jì)出不同評(píng)分的人數(shù)分布：

2. 讀取原始數(shù)據(jù)

程序主要使用數(shù)據(jù)集中的 ratings.dat 這個(gè)文件，通過(guò)解析該文件，抽取出 user_id、movie_id、rating 3個(gè)字段，最終構(gòu)造出算法依賴的數(shù)據(jù)，并保存在變量 dataset 中，它的格式為：dict[user_id][movie_id] = rate

3. 構(gòu)造物品的相似度矩陣

基于第 2 步的 dataset，可以進(jìn)一步統(tǒng)計(jì)出每部電影的評(píng)分次數(shù)以及電影的共生矩陣，然后再生成相似度矩陣。

4. 基于相似度矩陣推薦物品

最后，可以基于相似度矩陣進(jìn)行推薦了，輸入一個(gè)用戶id，先針對(duì)該用戶評(píng)分過(guò)的電影，依次選出 top 10 最相似的電影，然后加權(quán)求和后計(jì)算出每個(gè)候選電影的最終評(píng)分，最后再選擇得分前 5 的電影進(jìn)行推薦。

5. 調(diào)用推薦系統(tǒng)

下面選擇?UserId=1 這個(gè)用戶，看下程序的執(zhí)行結(jié)果。由于推薦程序輸出的是 movieId 列表，為了更直觀的了解推薦結(jié)果，這里轉(zhuǎn)換成電影的標(biāo)題進(jìn)行輸出。

最終推薦的前5個(gè)電影為：

05?線上推薦系統(tǒng)的挑戰(zhàn)

通過(guò)上面的介紹，大家對(duì)推薦系統(tǒng)的基本構(gòu)成應(yīng)該有了一個(gè)初步認(rèn)識(shí)，但是真正運(yùn)用到線上真實(shí)環(huán)境時(shí)，還會(huì)遇到很多算法和工程上的挑戰(zhàn)，絕對(duì)不是幾十行 Python 代碼可以搞定的。

1、上面的示例使用了標(biāo)準(zhǔn)化的數(shù)據(jù)集，而線上環(huán)境的數(shù)據(jù)是非標(biāo)準(zhǔn)化的，因此涉及到海量數(shù)據(jù)的收集、清洗和加工，最終構(gòu)造出模型可使用的數(shù)據(jù)集。

2、復(fù)雜且繁瑣的特征工程，都說(shuō)算法模型的上限由數(shù)據(jù)和特征決定。對(duì)于線上環(huán)境，需要從業(yè)務(wù)角度選擇出可用的特征，然后對(duì)數(shù)據(jù)進(jìn)行清洗、標(biāo)準(zhǔn)化、歸一化、離散化，并通過(guò)實(shí)驗(yàn)效果進(jìn)一步驗(yàn)證特征的有效性。

3、算法復(fù)雜度如何降低？比如上面介紹的Item-CF算法，時(shí)間和空間復(fù)雜度都是O(N×N)，而線上環(huán)境的數(shù)據(jù)都是千萬(wàn)甚至上億級(jí)別的，如果不做算法優(yōu)化，可能幾天都跑不出數(shù)據(jù)，或者內(nèi)存中根本放不下如此大的矩陣數(shù)據(jù)。

4、實(shí)時(shí)性如何滿足？因?yàn)橛脩舻呐d趣隨著他們最新的行為在實(shí)時(shí)變化的，如果模型只是基于歷史數(shù)據(jù)進(jìn)行推薦，可能結(jié)果不夠精準(zhǔn)。因此，如何滿足實(shí)時(shí)性要求，以及對(duì)于新加入的物品或者用戶該如何推薦，都是要解決的問(wèn)題。

5、算法效果和性能的權(quán)衡。從算法角度追求多樣性和準(zhǔn)確性，從工程角度追求性能，這兩者之間必須找到一個(gè)平衡點(diǎn)。

6、推薦系統(tǒng)的穩(wěn)定性和效果追蹤。需要有一套完善的數(shù)據(jù)監(jiān)控和應(yīng)用監(jiān)控體系，同時(shí)有 ABTest 平臺(tái)進(jìn)行灰度實(shí)驗(yàn)，進(jìn)行效果對(duì)比。

寫(xiě)在最后

這篇文章是推薦系統(tǒng)的入門(mén)篇，目的是讓大家對(duì)推薦系統(tǒng)先有一個(gè)整體的認(rèn)識(shí)，后續(xù)我會(huì)再連載出一些文章，詳細(xì)地介紹面對(duì)具體業(yè)務(wù)和線上海量數(shù)據(jù)時(shí)，推薦系統(tǒng)應(yīng)該如何設(shè)計(jì)？

優(yōu)質(zhì)文章，推薦閱讀：

Python 之父為什么嫌棄 lambda 匿名函數(shù)？

Python 為什么能支持任意的真值判斷？

趣漫畫(huà)：Java 對(duì) Python 的滲透能成功嗎？

Google 開(kāi)源的 Python 命令行庫(kù)：初探 fire

感謝創(chuàng)作者的好文