本文来自

 

作者：穆学锋

 

简介：传统的搜索个性化做法是定义个性化的标签，将用户和商品通过个性化标签关联起来，在搜索时进行匹配。传统做法的用户特征基本是离线计算获得，不够实时；个性化标签虽然具有一定的泛化能力，但是其准确性有所不足，不能很好的做精准个性化。本文提出两个创新优化，一是打通实时用户行为的获取流程，并在实时用户流下采用FTRL算法不断的更新用户特征的权重，将用户实时感兴趣的商品加权，达到online training；二是在保证相关性的前提下，采取推荐的思路，避开打个性化标签，结合用户的实时&历史行为，直接预估用户对商品的偏好，并在搜索排序中加权。这两个优化在实际的ABTest结果中表现突出，提升搜索下窄口径UV价值较大，它们都是在用户实时行为的基础上完成的，因此合称为搜索实时个性化模型。

背景

搜索中传统的个性化应用是基于个性化标签来完成的。例如，我们会假设用户在购物时对商品的某些属性有独特的偏好，然后建立属性标签，并基于用户的历史行为构建算法模型将商品上的标签打到用户身上，预估其偏好程度，这就构成了用户在特定类目下对于某属性标签的偏好。模型一旦建立起来，属性标签就构成了一个商品簇，模型的泛化能力会很强。这种方式在用户对某类目的商品行为量巨大时会比较有效，但是一般情况下用户的行为都会比较分散/稀疏，因此模型的准确性一般不高。举个例子，用户A购买了一件有大嘴猴图案的莫代尔T恤，因为是购买行为，是一个表示强偏好的特征，那么模型最后计算出来大概率会显示用户A对于动物图案标签和材质莫代尔标签都有一定的偏好，但实际上呢，可能用户A关心的只是T恤是圆领的。

怎么办呢？一种方法是丰富个性化标签，将领型标签也加入进去，这将是一个很庞大很漫长的profiling构建过程。另一种方法，我们可以转变下思路，用户A对商品B有行为，那么就是A对B有一定的偏爱。因此，我们只要获取用户A所有行为过的商品集合，然后构建模型计算最感兴趣的几个商品，并推给用户。至于，用户是喜欢B的什么特质，什么原因，我们并不用刻画。因为特质太多，我们目前刻画得并不好。

系统框架   

要实现我们的思路解决上述的问题，首先得在搜索中获得实时的用户行为流数据。为此，我们设计并实现了如下的系统结构：

 

从Offline到Nearline再到Online，全方位无死角地获取了用户近期的行为数据，存储到ncr缓存中，行为包括点击、加购、收藏、购买、搜索等等。离线（Offline）任务从hdfs中收集用户在考拉 App端的近期对商品的历史行为数据，计算历史行为特征，每日都dump到缓存中；准实时（Nearline）任务将用户近一小时的行为收集并格式化后也放入NCR缓存；实时（Online）任务直接在Jstorm中解析用户行为日志，梳理需要的行为数据，插入到缓存。这样用户近期的所有行为及其特征都能够在搜索被检索到。

同时，Jstorm在解析用户行为的同时，利用FTRL算法，进行online training，不断的迭代学习用户特征权重；另一方面，离线部分每日会计算一个用户到商品的偏好模型（UserItemPrefer），这两个模型的参数都会存储到NCR中。

用户在考拉APP中对商品的每次行为数据，都会影响FTRL模型和UserItemPrefer模型的参数和特征。当用户来搜索的时候，SR会对NDIR召回的商品集合再重新精排一次，精排时就会从NCR获取个性化标签、UserItemPrefer&ftrl模型的参数，以及用户历史&实时的行为特征，计算一个排序分数。SR按这个分数再加上一些例如无货沉底、重复商品过滤等的业务逻辑，向上层返回排好序的商品列表。用户在当前搜索结果页的行为，都会由这个数据流影响到FTRL模型参数，以及U2I的用户行为特征，从而达到随着用户行为变化，自动学习其个性化偏好的目的。

 

算法实现

1. FTRL模型的实现

根据用户实时行为，生成相应的特征，使用FTRL模型，实时更新用户的偏好模型。FTRL算法如下：  

 

对算法的两点修正：  

• FTRL在每个特征维度上做梯度下降，随着用户行为的累积，频繁更新的特征权重更新步长越来越小，趋于一个稳定的值，而实际上用户的关注点会随时间变化，累积的特征并不一定产生正向的效果，因此增加了时间维度，记录每个维度特征更新的时间，根据时间进行衰减。

• FTRL具有比较好的稀疏性，但是用户的实时行为会产生大量的特征，还是会有很多低频特征的权重不为0，保存在用户模型里，一方面使得用户模型太大，另一方面对效果影响也不大，因此，对FTRL输出的特征再进行一轮筛选：1)最近1小时的特征按时间保留TOP100；2)最近12小时的特征按权重保留TOP100；3)所有特征按权重保留TOP100。

2. UserItemPrefer   模型的实现

• 描述：选择点击、加购、收藏、购买等行为构成特征，预估用户对商品偏好程度

•       样本：

–      历史user-goods pair

–      Target：当日搜索是否有点击

•       特征：

–      User-goods pair维度的特征

–      Goods维度的特征

•       机器学习方法：SPARK-LR

•       训练结果：经调试，AUC 0.73

效果展示

1. FTRL模型

• demo示例：

这是线上某用户的行为序列：   用户首先搜了“拖鞋”，点击了商品1464699 ，翻几页之后又搜索了"melissa "这个品牌，最终购买了商品1511276。

2017-06-04 20:41:48 search 拖鞋 iOS  

2017-06-04 20:41:55 click 1464699 iOS  

......  

2017-06-04 21:05:32 cart_page iOS  

2017-06-04 21:05:44 pay 1511276* -  

在搜索结果中商品位置的变化，(红框中的是商品1511276)：  

没有用户实时模型的商品排序：  

   

 

增加了用户实时模型的商品排序：  

 

• 测试效果：总共进行两轮迭代，测试时间段分别为：2017-02月初~2017-02月中和2017-05月底~2017-06月初总体增加窄口径UV价值3%

2.  UserItemPrefer   模型

• 测试方法：搜索内ABTest

• 测试时间： 2017.05月底~2017.06月初

• 测试结果：经过11天的线上测试，窄口径UV价值提升2.55%。

3. 补充说明

• A/B测试：简单来说，就是为同一个目标制定两个方案（比如两个页面、两个算法），让一部分用户使用 A 方案，另一部分用户使用 B 方案，记录下用户的使用情况，看哪个方案更符合设计。其实这是一种“先验”的实验体系，属于预测型结论，与“后验”的归纳性结论差别巨大。A/B测试的目的在于通过科学的实验设计、采样样本代表性、流量分割与小流量测试等方式来获得具有代表性的实验结论，并确信该结论在推广到全部流量可信。

• 关于A/B Test指标增长的说明：各位看官可能觉得增长2%有点微不足道，但对于算法模型来说，已经比较可观了。首先，A/B测试比对的两者是剔除了自然增长、大促等其他因素的，是纯算法带来的增长，比较真实可靠。另外，举个业界的实例：一般淘宝会由几十人组件一个大项目团队，经过一年的算法迭代，在双11大促时拿到5~10%的指标增长。由此可见一斑。

• UV价值：名词解释，公式上 UV价值=引导的成交额/访问UV，约等于uv转化率*客单价，一般在搜索中所说的引导的成交额指严口径成交额（即点此买此），访问UV是指访问搜索的UV数。因此，以成交额作为考核指标的考拉，采用uv价值更吻合平台kpi。涵义上，UV价值的是指访问搜索的用户的平均价值，是搜索内功的体现。

未来计划

目前来说实时个性化完成了第一版，后续我们会从如下方面进行深入探索。

1. 将用户偏好商品的相似商品也纳入进来，在搜索时，也择机展示给用户，提升购物效率

2. 挖掘用户行为序列中的频繁模式，尝试序列模式推荐

参考文献

• H. B. McMahan, G. Holt, D. Sculley, M. Young, D. Ebner, J. Grady, L. Nie, T. Phillips, E. Davydov, and D. Golovin.  Ad click prediction: a view from the trenches. In KDD, 2013.

• , H Dai, , M Nakagawa.   

 

       

 原文：

网易云大礼包

 

本文来自网易云社区，经作者穆学锋授权发布

 

相关文章：

【推荐】