 |
北京2021年8月12日 /美通社/ -- 推薦系統(tǒng)作為一種高效的信息發(fā)現(xiàn)工具，可以很好地解決用戶精準高效獲取信息的問題，尤其在人們需求不明確時，借助推薦系統(tǒng)獲取信息是非常重要甚至是不可或缺的一種手段。同時就商業(yè)價值而言，推薦系統(tǒng)在內(nèi)容分發(fā)、用戶體驗、商業(yè)化變現(xiàn)等方面也已經(jīng)獲得了廣泛的認可。推薦系統(tǒng)目前已經(jīng)成為互聯(lián)網(wǎng)to C產(chǎn)品的標配技術，用來高效地解決用戶的信息匹配問題。
筆者是算法工程師背景，曾在國內(nèi)最大的短視頻平臺參與推薦系統(tǒng)核心算法模塊研發(fā)，先后經(jīng)歷五款千萬級以上日活內(nèi)容分發(fā)產(chǎn)品從0到1階段的推薦系統(tǒng)架構設計，踩過各種產(chǎn)品/內(nèi)容/算法/運營的坑。之后在做推薦算法to B服務過程中，經(jīng)歷了各種推薦應用的場景，比如：短視頻、長視頻、新聞資訊、音頻應用、社交社區(qū)、直播、電商、游戲等幾乎所有需要個性化算法的產(chǎn)品。通過本文，筆者希望基于以往經(jīng)歷過的失敗或成功的案例，與業(yè)界同仁探討在搭建工業(yè)級推薦系統(tǒng)過程中必須深入思考的五個關鍵性問題。
問題1：算法是否有用？
根據(jù)業(yè)界主流定義，推薦算法是指建立在機器學習基礎之上的一套包含模型訓練/預測功能的決策系統(tǒng)。廣義的算法其實包含各種計算策略、方法和技巧，不限于機器學習方法，比如一些求解技巧或者是結(jié)合業(yè)務特點的先驗假設。
如前文所述，推薦系統(tǒng)目前已經(jīng)成為to C互聯(lián)網(wǎng)產(chǎn)品的標配技術，但是，你有沒有認真思考過：你的產(chǎn)品或者系統(tǒng)，有沒有必要利用推薦算法？推薦算法有多大的空間？
筆者經(jīng)常見到一些初入門算法工程師，面對具體推薦場景時，沒有做好充分的評估建模，一上來就三段式：樣本生成、模型訓練、上線預測，最終折騰半天沒有任何效果，甚至不如人工推薦的效果。之所以會出現(xiàn)各種結(jié)果，是因為這些算法工程師沒有做好前期建模，分析數(shù)據(jù)基本面，確認面對的應用場景是不是屬于“用戶”和“事物(Item)”的雙邊充分消費市場。這里面，事物（Item)可以是人、信息、商品、服務等，雙邊基數(shù)越大推薦算法作用越大，雙邊消費越頻繁，推薦效果越好。
在2020年中量質(zhì)子曾經(jīng)接觸過一個做小游戲推薦的客戶。他們在產(chǎn)品早期有幾個策略工程師基于一些業(yè)務策略做了一版推薦系統(tǒng)，相對于完全沒有策略的狀態(tài)推薦效果好了很多，公司決策層于是認為算法效果立竿見影、大有可為，高成本從抖音、百度等大廠挖了20多個高級算法工程師。算法同學加入之后沒有充分理解小游戲場景的用戶行為特點和產(chǎn)品指標評估體系，而是把內(nèi)容類產(chǎn)品的建模方法和模型算法應用在App上，評估指標體系是用戶人均使用時長和用戶留存，結(jié)果做了半年嘗試了各種模型算法都沒有任何進展，團隊信心喪失，人員流失嚴重，這時公司決策層又開始懷疑算法的價值。那么究竟是哪里出了差錯呢？
其實，這個案例的核心問題出在建模目標、模型拆解、樣本生成、評估體系上。小游戲場景和內(nèi)容分發(fā)類產(chǎn)品差別很大。內(nèi)容分發(fā)類產(chǎn)品一個最大的特點是：推薦內(nèi)容都是新的不重復的（工業(yè)級內(nèi)容推薦系統(tǒng)都有展現(xiàn)消重模塊），用戶對老內(nèi)容會本能排斥。而小游戲則不同，相比內(nèi)容消費，玩小游戲是一個中度決策的場景，用戶一個時段傾向于玩相同游戲直到興趣消退，對新游戲發(fā)現(xiàn)需求不如內(nèi)容分發(fā)強。因此，就需要仔細權衡新老游戲分發(fā)權重、冷啟動策略如何制定、多目標如何拆解、模型樣本怎么定義等等關鍵節(jié)點。如果這些關鍵點沒有做到位，那么后續(xù)怎么調(diào)參都不會有效果。同時，在產(chǎn)品宏觀指標算法效果評估上也要能反應出產(chǎn)品大目標，比如人均消費游戲數(shù)量、人均新游戲打開數(shù)，并綜合考慮留存和人均時長指標。
中量質(zhì)子團隊在2020年還曾經(jīng)服務過一個做藝術品的社區(qū)社交的客戶，其產(chǎn)品UI類小紅書?？蛻舻漠a(chǎn)品從UI形式上看非常適合推薦，然而我們嘗試了一段時間，效果始終做的不好。經(jīng)過深度復盤，我們終于發(fā)現(xiàn)核心原因是用戶數(shù)量太少，每天的用戶行為非常少，導致模型學習非常不充分預測不準；而且，用戶的消費行為不像內(nèi)容消費那么高頻度。這些用戶對一個藝術品會反復瀏覽，是一個重度決策過程，更接近一個電商商品推薦。此外，這家客戶設定的評估指標是人均消費金額，相比與時長留存，這是一個行為更稀疏的指標，更難做多目標的拆解和模型算法的充分學習。最終，我們給客戶的建議是：這個階段的產(chǎn)品更適合基于策略做熱門運營半自動推薦，先做好用戶增長。記不記得前面我曾經(jīng)講過，在“用戶”和“事物”的雙邊消費市場里，雙邊基數(shù)越大推薦算法作用越大，雙邊消費越頻繁推薦效果越好。
其實，對于算法硬實力筆者認為不必過分強調(diào)，反而對于理解業(yè)務場景、建模問題、定義模型目標等等推薦系統(tǒng)團隊的軟實力，大家應該給予更多的重視。
問題2：特征工程該怎么做?
在確認了產(chǎn)品的場景適合用算法提升匹配效率，并且評估了產(chǎn)品和數(shù)據(jù)基本面，完成了建模后，“特征工程”是下一個決定模型能否充分訓練學習、精準預測的關鍵環(huán)節(jié)。不知道你對于特征工程是否熟悉。據(jù)筆者的觀察，目前行業(yè)里系統(tǒng)性介紹特征工程的技術文章不多，也不如算法受重視程度高，特征的重要性往往被忽視。
什么是特征？特征是影響模型預測的輸入因子，而模型是預測時基于輸入因子的計算方法。從兩者間的相互關系，你立刻就會意識到特征的重要性有多么大。在深度學習算法時代來臨之前，以邏輯回歸為代表的線性寬度模型是業(yè)界主要應用的模型，那時特征工程幾乎對算法效果具有決定性的作用。時至今日，在深度學習模型廣泛應用的大背景下，特征工程依然是推薦系統(tǒng)的核心前置工程，復雜的特征工程和復雜的深度模型結(jié)構都是主流工業(yè)級推薦引擎必不可少的基石性的組成部分。
那么，特征工程是什么？是如何影響模型的？具體而言，特征工程屬于建模的一部分，指用哪些因子（特征）去支持模型做決策判斷。特征和行為埋點、畫像系統(tǒng)密切關聯(lián)，行為埋點是最原始的數(shù)據(jù)來源，畫像字段一般是用行為埋點和用戶以及事物的元信息生成的。特征工程的關鍵是找到一系列判定模型目標的決策因子，并且在工程上有一套標準化的特征抽取和表示方法，一般可以分為單維特征（比如各畫像字段維度）、多維組合特征（比如用戶和事物的特征組合）、機器學習特征（比如用戶和事物的embedding特征）。特征是模型的原始輸入，工業(yè)級推薦系統(tǒng)優(yōu)化到一定階段，特征工程就成為算法工程師最主要的工作。
在特征工程領域，中量質(zhì)子團隊在“行業(yè)級最佳實踐”和“工程實現(xiàn)”兩個關鍵領域積累了深厚的實力。
行業(yè)級最佳實踐，是一種準確判斷在不同的產(chǎn)品場景應用哪些特征能夠獲得最優(yōu)效果的能力。特征工程也遵循28原則，你需要找到在每個領域起核心作用的那些少數(shù)特征。中量質(zhì)子團隊在內(nèi)容、短視頻、新聞資訊、社區(qū)社交、電商、直播等應用領域已經(jīng)積累了大量的最佳特征體系實踐，比如電商領域哪些是核心特征、怎么構建用戶側(cè)特征、特征字段計算方法和更新頻率等等。
關于工程實現(xiàn)，有三個維度你需要給予特別的關注：
由于文字篇幅所限，筆者在本文中重點分享了從零開始搭建工業(yè)級推薦系統(tǒng)的過程中，最為關鍵的兩大問題。“算法”和“特征工程”，這兩個話題一個在行業(yè)內(nèi)為大家所津津樂道，而另一個則名聲不顯。但是，通過筆者實戰(zhàn)經(jīng)歷的分享，相信大家一定已經(jīng)認識到了他們在工業(yè)級推薦系統(tǒng)中的基石性的作用。在接下來的文章中，筆者將就對于搭建工業(yè)級推薦系統(tǒng)另外三個至關重要的問題跟大家做進一步的分享。
