漲指標的方法有哪些？

• 改進召回模型，添加新的召回模型
• 改進粗排和精排模型
• 提升召回，粗排，精排的多樣性
• 特殊對待新用戶嗎，低活用戶等特殊人群
• 利用關注，轉發，評論這三種交互行為

排序的多樣性

精排多樣性

• 精排階段，結合興趣分數和多樣性分數對物品 $i$ 排序
  • $s_i$：興趣分數，即融合點擊率等多個預估指標
  • $d_i$：多樣性分數，即物品 $i$ 與已經選中的物品的差異
  • 用 $s_i+d_i$ 對物品做排序，這個排序幾乎決定了最終用戶看到的結果
• 常用 MRR，DPP 等方法計算多樣性分數，精排使用滑動窗口，粗排不使用滑動窗口
  • 精排決定最終的曝光，曝光頁面上鄰近的物品相似度應該小，所以計算精排多樣性要使用滑動窗口，保證同一個滑動窗口內的物品要有足夠的差異
  • 粗排要考慮整體的多樣性，而非一個滑動窗口中的多樣性
• 除了多樣性分數，精排還使用打散策略增加多樣性
  • 類目：當前選中物品 $i$，之后 $5$ 個位置不允許跟 $i$ 的二級類目相同
  • 多模態：事先計算物品多模態內容向量表征，講全庫物品聚為 $1000$ 類；在精排階段，如果當前選中物品 $i$，之后 10 個位置不允許跟 $i$ 同屬一個聚類。道理是同一類物品的圖片和文字應該相似，需要打散

粗排多樣性

• 粗排給 $5000$ 個物品打分，選出 $500$ 個物品送入精排
• 提升粗排和精排多樣性都可以提升推薦系統的核心指標
• 根據 $s_i$ 對 5000 個物品排序，分數最高的 200 個物品送入精排。之類暫且不考慮多樣性分數，將用戶最感興趣的物品送入精排
• 對于剩余的 4800 個物品，對每個物品 $i$ 計算興趣分數 $s_i$ 和多樣性分數 $d_i$
• 根據 $s_i+d_i$ 對剩余 4800 個物品排序，分數最高的 300 個物品送入精排。這 300 個既是用戶感興趣的，也保證了差異

召回的多樣性

雙塔模型：添加噪聲

• 雙塔模型是最重要的召回模型
• 用戶塔將用戶特征作為輸入，輸出用戶的向量表征；然后做 ANN 檢索，召回向量相似度高的物品
• 線上做召回時（在計算出用戶向量后，做 ANN 檢索之前），往用戶向量中添加隨機噪聲
• 用戶的興趣越窄（比如用戶最近交互的 $n$ 個物品只覆蓋少數幾個類目），則添加的噪聲越強
• 添加噪聲使得召回的物品更多樣，可以提升推薦系統核心指標。按道理來說添加噪聲會使得召回不準，但是很神奇的是可以漲指標

雙塔模型：抽樣用戶行為序列

• 用戶最近交互的 $n$ 個物品（用戶行為序列）是用戶塔的輸入
• 保留最近的 $r$ 個物品 $(r<<n)$
• 從剩余的 $n?r$ 個物品中隨機抽樣 $t$ 個物品 $(t<<n)$，可以是均勻抽樣，也可以用非均勻抽樣讓類目平衡
• 將得到的 $r+t$ 個物品作為用戶行為序列，而不是用全部 $n$ 個物品
  • 推薦系統的用戶每天可能會刷好幾十次，每次都會做召回和排序。每次做召回的時候都會對用戶隨機行為序列做抽樣，這樣會讓雙塔召回的結果有隨機性，哪怕同時做兩次召回，召回的結果也會有較大差異，即多樣性提升
• 抽樣用戶行為為什么能漲指標？
  • 一方面：注入隨機性，召回結果更多樣化
  • 另一方面，$n$ 可以非常大，可以利用到用戶很久之前的興趣

U2I2I：抽樣用戶行為序列

• U2I2I(user → item → item) 中的第一個 item 是指用戶最近交互的 $n$ 個物品之一，在 U2I2I 中叫做種子物品
• $n$ 個物品覆蓋的類目數教少，且類目不平衡
  • 系統總共有 200 個類目，某用戶的 $n$ 個物品只能覆蓋 15 個類目
  • 足球類目的物品有 $0.4n$ 個，電視劇類目的物品有 $0.2n$ 個，其余類目的物品數均少于 $0.05n$ 個。如果只用 $n$ 個種子物品，那么大部分肯定都會召回到足球和電視劇，多樣性很差
• 做非均勻隨機抽樣，從 $n$ 個物品中選出 $t$ 個，讓類目平衡（想法和效果與用戶行為序列抽樣類似）
• 用抽樣得到的 $t$ 個物品（代替原本的 $n$ 個物品）作為 U2I2I 的種子物品
• 一方面，使類目更平衡，多樣性更好。另一個方面，$n$ 可以更大，覆蓋的類目更多

探索流量

• 每個用戶曝光的物品中有 $2\%$ 是非個性化的，用作興趣探索
• 維護一個精選內容池，其中物品均為交互率指標高的優質物品（內容池可以分人群，比如 30 到 40 歲男性內容池）
  • 既然沒有了個性化，就要提高物品質量來吸引用戶。用高質量彌補多樣性
• 從精選內容池中隨機抽樣幾個物品，跳過排序，直接插入最終排序結果。
  • 這些物品沒有經過用戶的交互，大概率會被淘汰掉，所以直接插入
• 興趣探索在短期內負向影響核心指標，但長期會產生正向指標
  • 做非個性化的推薦用戶大概率不感興趣，點擊偏低，用戶不看，$2\%$ 的流量大部分會被浪費掉。
  • 興趣探索長期是有利的，可以發掘更多興趣點更好提升用戶留存

總結