作者:放按钮.PM;原文标题:《推荐效果线上评测:AB测试平台的设计与实现》
第一篇
1、背景
在推荐系统中,评测效果,除了离线的AUC,更合理的方法是通过线上真实的AB测试,来比较策略的效果。
AB测试来自医学的双盲实验,在双盲测试中:
- 病人随机被分成两组,在不知情的情况下,分别服用安慰剂跟测试用药
- 经过一段时间后,再来比较两组病人的表现是否有显著差异。
从而决定药物是否真的有用。
互联网行业的AB测试类似,对于一个策略/UI,在同一个时间维度,保证其他体验一致的情况下,分析实验组跟对照组的区别,以便做决策判断。
因为经常接触AB测试,以及看到了国内一些公司的AB平台不同的设计实现方法,整理一下AB测试平台相关知识。
2、具体说明
本文从以下方面讨论。
- 2.1 单层实验:方法以及问题
- 2.2 多层重叠实验架构:一切从google的论文说起
- 2.3 国内公司的解决方案文章分享
2.1单层实验
2.1.1 方法
顾名思义,单层实验的模式是:
- 把所有的用户放在一起,有相互独立的用户标识(比如cid,uid,cookis等)
- 以某种分流的方法(比如随机),给每个实验组,分配一定的用户。
- 每个实验分到的用户正交
2.1.2 问题
单层实验一定程度说是可行的,但是会遇到一定的问题
- 扩展性差,只能同时支持少量实验。但是以数据驱动的业务,需要极快的创新速度,大量的创新需要被测试,会严重delay业务。
- 如果在单层同时进行多个实验,实验之间不是独立事件,并行的时候,同一个策略,只能进行一个实验,如果多个并行支持,无法实现。不同策略之间也有影响。
- 流量饥饿问题:假设我们整体用户要做5个实验,如果前2个实验占据了大部分的流量,后面的3个实验就有很少的流量可以供使用,甚至没有流量可用。
- 流量偏置问题:假设上游的实验把所有的年轻人都获取了,下游的实验,没有年轻人的样本。导致有偏差。
2.2 多层重叠实验架构:一切从google的论文说起
Google在2010年的KDD上公布了自己的分层实验框架,之后,国内的大部分的AB测试平台,都是基于此论文建设。首先分享一下这篇论文的英文版以及中文翻译版
- 中文版:https://www.csdn.net/article/2015-01-09/2823499
- 英文版:https://research.google.com/pubs/pub36500.html
2.2.1 设计实验平台的目标
- 更多:多个实验可以并行扩展,而且能够保证灵活性
- 更好:保证实验合理,不合理实验不能上,合理实验出bug能及时止损,保证每个实验有公平合理的比较
- 更快:能够快速创建实验,而且能够快速提供结果分析
2.2.2 手段
思考:保留单层实验框架易用,快速的优点的同时,增加可扩展性,灵活性,健壮性。
核心思路:将参数划分到N个子集,每个子集都关联一个实验层,每个请求会被N个实验处理(每层一个实验),每个实验都只能修改自己层相关联的参数(在参数子集中的参数),并且同一个参数不能出现在多个层中。
2.2.3 具体设计:分流模型
名词概念解释:
- 域(domain):划分的一部分流量
- 层(layer):系统参数的一个子集
- 实验(exp):在一个域上,对一个或者多个参数修改,改变请求路径的过程
简单的理解,我们把流量在纵向上的划分叫做域(domain),流量请求从纵向判断先开始。然后我们把横向上的划分,称为层(layer),在同一个层,不同策略(exp)是隔离开的,一个策略(exp),可以被多个层控制,每个层都可以有多个实验。流量在每个层都会被重新打散。
流量在每个层被打散的方法,称之为 分配函数,google在论文里提到了四种(因为是基于PC搜索,所以用户标识是cookie)。支持多种流量分配类型的主要目的一方面是为了保持处理的一致性,另外也希望覆盖到所有的情况。
- user_id mods = f(user_id,layer)%100
- cookies mods= f(cookies,layer)%100
- cookie-day mods= f(cookie-day,layer)%100
- random=f(random)
这其中有两种特殊的情况:
- condition:用户样本有特殊要求,在通过分配函数分配到一部分流量后,部分实验可以通过 分流条件(condition)仅分配特定条件的流量给实验或域,以达到更高效利用流量的目的。典型的条件比如:国家(google是全球的产品),语言,浏览器等。分配条件一般直接在实验或者域的配置中指定。
- trigger:实验触发条件有特殊要求,仅在某些请求下触发,而这种实时计算类的没有办法事先分配好,只能通过程序自己判断。这种情况下,重要的工作是记录事实(factual,当实验被触发)跟反事实(counter-factual,当实验可以被触发)。反事实在对比实验中记录。
下图是整个AB实验用户实验列表Re的判断流程
2.2.4 具体设计:具体实验流量分配
有了分流模型,流量分配函数,我们在做实验的时候,还需要注意,AB平台能够很好的指导业务,准确的进行实验。
准确的进行实验,有几个关键事项:1)实验合理性 2)代码准确性&数据准确性 3)实验结果置信保证 4)实时监控。
1)实验合理性
google的做法是,有一个实验委员会,每次实验的时候,实验者提供一个简单的checklist,checklist中需要保护以下的问题答案:
- 基本的实验特性:比如实验测试什么,它们的假设是什么
- 实验创建:要修改哪些参数,每个实验分别要测试什么,在哪一层
- 实验的流量分配跟触发条件:使用什么分配类型,什么分配条件,在多大比例的流量触发实验
- 实验分析:关注哪些指标,实验要检测的指标敏感度是什么
- 实验规模跟时间跨度:保证给定的流量,有足够统计量来保证指标敏感度
- 其他补充:比如是否需要预时期跟后时期来保证(预时期跟后时期的意思就是,在实验前或者后,观察实验组与对照组的天然差异)
2)代码准确性&数据准确性
一些基础的检查,比如 是否所有必填字段都填写了,对照组跟实验组是否流量一致大小,是否跟别的实验有冲突等
3)实验结果置信保证
这节很重要,个人感觉是分流模型外,论文里最重要的部分。首先,很多人分配流量都是凭借直觉,或者有多少就用多少。最后的数据结果不置信,反而对产品有负向伤害。简单的说,这种 “抽取样本来估计全局”的实验,需要保证”样本的结果能够代表全局”,即样本量应该让实验有足够的统计意义。
一个实验的有效规模,google定义为:
为了求N,需要有几个先验的参数:
- ①实验所关注的指标是什么
- ②对于每个指标,想改变的敏感度 ,比如:想检测2%左右的波动
- ③针对每个指标,一个抽样单元(N=1) 样本标准误差为s,则实验大小为N的标准误差为
如果实验组大小=对照组大小,比如实验组=2N,那么2N必须大于等于才能满足最小变化检测需求。其中 16,是根据置信度(通常取95%,),期望的统计功效(通常为80%,)决定。
谷歌在每一层共享一个对照组,被多个实验共享。如果对照组比实验组大很多,系数就可以用10.5,而不是16.(不用取2N,取N)
真实实验中,不同指标,不同分配方法有不同的s,google提供了一个工具,可以让实验者权衡流量大小与敏感度。为了保证置信区间的正确性,一直进行一组 同质测试,来检测指标的自然变化。
4)实时监控
google有实时监控,检测某些指标超出正常值范围的波动。
2.2.5 具体设计:实验数据分析工具
- 正确的计算跟显示置信区间
- 很好的图形化界面
- 很好的理解数据,比如:辛普森悖论的观察跟理解
- 一致性有唯一的实现保证,比如 使用相同的spam过滤器
- 讨论会,专门的讨论解读数据
2.2.6 最后
最后总结的时候比较散,写的太长了,不想写了。
有一个比较想说的,就是google把历史的ab测试总结起来,做了一个知识库,这个挺好,有助于总结学习。
然后即使是google,也经常有错误,比如日志经常不对。
2.3 国内公司的解决方案文章分享
大部分国内公司的解决方案,都是根据google的论文做的,但是在分层上,有根据业务划分的,有根据用户画像划分的(取决于实际的AB测试环境要求)。
这篇文章更多偏向google的理论解读,下一篇文章将基于国内目前有的公司的架构以及goole的理论,详细介绍一下AB测试平台的一种工程实现。