专栏首页携程技术个性化推荐沙龙 | 饿了么推荐系统的从0到1(含视频)

个性化推荐沙龙 | 饿了么推荐系统的从0到1(含视频)

本文来自陈一村在携程个性化推荐与人工智能Meetup上的分享。

陈一村 ,饿了么数据运营部资深算法工程师。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。

*视频时长约43分钟,请在wifi环境下观看*

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

现场分享(见上面的视频)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

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):

1. 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;

2. 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;

3. 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;

下面将详细介绍Ranker初始化(1)与Records复杂排序逻辑(3); 有关特征计算(2), 详见下一节特征计算

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:

  1. single:单一模式,仅用一个Scorer进行排序打分;
  2. linear:线性加权模式,指定一系列Scorer以及对应的权重, 加权求和;
  3. 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:

1. 单一模式:rankType=single

对于单一模式,仅有一个Score,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:

2. 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):

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

3. 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):

  1. 特征计算器InstanceBuilder调用ScorerList,获取所有所需特征Feature并去重;
  2. InstanceBuilder对所有餐厅/食物进行特征计算,详见特征计算;
  3. Scorer按轮次(round)对top=Num餐厅/食物进行打分;
  4. 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)。

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):

  1. 模型实例化时的构造函数BaseModel()和校验函数validate();
  2. 通过FeatureManager获取对应Model的特征Feature:abstractgetFieldNames()/getFeatures();
  3. 传入Model的特征,获取预测分数:abstract predict(Map<K, V>values) 和 abstract predict(List<Map<K, V> values);

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<K, V> values) 和predict(List<Map<K, V> values);

二、特征计算

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:
  1. 特征管理:包括自定义特征、基础特征、实时特征、复合特征等;
  2. 特征导入:自定义特征静态代码注册, 其他特征数据库导入;
  3. 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:
  1. 从每个Scorer获取Feature列表,去重,依赖计算,最后初始化;
  2. 层级、并行计算每个EntityInfo的特征值;(之后会考虑接入ETL,用于OnlineLearning)

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

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, 再次不再累述.

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

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。

1、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。

2、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

3、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

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。

本次分享,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,希望能够对大家的工作有所启发。

本文分享自微信公众号 - 携程技术中心(ctriptech),作者:陈一村

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2017-01-05

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 干货 | React Hook的实现原理和最佳实践

    React的组件化给前端开发带来了前所未有的体验,我们可以像玩乐高玩具一样将组件堆积拼接起来,组成完整的UI界面,在加快开发速度的同时又提高了代码的可维护性。

    携程技术
  • 干货 | 深入分析Object.wait/notify实现机制

    作者简介 占军,就职携程地面业务部,负责地面搜索服务开发。Java爱好者,知识分享工作者。 最简单的东西,往往包含了最复杂的实现,因为需要为上层的存在提供一个稳...

    携程技术
  • 资讯 | 携程入选工信部优秀大数据服务平台 四大优势推动旅游智能化

    近日,携程旅游大数据服务平台连续通过三轮评审,成功入选工业和信息化部的“大数据优秀产品、服务和应用解决方案”。据了解,该平台聚合了携程集团多项旅游行业数据,对内...

    携程技术
  • 饿了么推荐系统:从0到1

    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...

    CSDN技术头条
  • 饿了么推荐系统:从0到1

    用户1737318
  • HTTP数据包头部格式解读1

    HTTP协议的大部分功能其实通过其协议包头来实现。因为HTTP协议包头作用如此重要,因此需要单独列出一节来详细讲解。协议包头大体上分为4类,分别为通用包头,请求...

    望月从良
  • vue中使用iconfont

    用户4344670
  • BAT最新Java面试题汇总:并发编程+JVM+Spring+分布式+缓存等!

    今天给大家分享下我整理的Java架构面试专题及答案,其中大部分都是大企业面试常问的面试题,可以对照这查漏补缺,当然了,这里所列的肯定不可能覆盖全部方式,不过也希...

    美的让人心动
  • MySQL主从复制配置

    Mysql中有一种日志叫做bin日志(二进制日志)。这个日志会记录下所有修改了数据库的SQL语句(INSERT,UPDATE,DELETE,ALTER TABL...

    Java帮帮
  • MySQL主从复制配置

    Mysql中有一种日志叫做bin日志(二进制日志)。这个日志会记录下所有修改了数据库的SQL语句(INSERT,UPDATE,DELETE,ALTER TABL...

    Java帮帮

扫码关注云+社区

领取腾讯云代金券