DSSM是一种深层结构语义模型，常用于搜索引擎和推荐系统的召回和粗排阶段，通过映射query和doc到语义空间并计算余弦相似度。在推荐系统中，DSSM采用双塔模型处理user和item特征。离线训练涉及用户和物品特征的concat、DNN处理及余弦相似度计算。线上预测时，使用Faiss进行近邻搜索。优化点包括减少User塔的重复计算和保持UserEmbedding与ItemEmbedding的一致性。文章讨论了正负样本选择策略和模型版本一致性问题。
1.背景
DSSM是Deep Structured Semantic Model (深层结构语义模型) 的缩写，即我们通常说的基于深度网络的语义模型，其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。DSSM有很广泛的应用，比如：搜索引擎检索，广告相关性，问答系统，机器翻译等。DSSM主要用在召回和粗排阶段。 在应⽤于推荐系统时，通过两个塔分别去建模user侧和item侧的embedding，计算embedding之间 的内积，最后⽤真实的label计算loss。
论文题目：《Learning Deep Structured Semantic Models for Web Search using Clickthrough Data》
2.DSSM模型结构
论文中的 DSSM的模型, 考虑一个搜索的场景, 在输入一个Query之后, 要在众多的Doc中寻找最为匹配的项, 那么此时如果将Query经过某种模型, 得到其向量表示, 再与Doc对应的向量进行相似度计算, 将相似度高的进行返回, 即可完成匹配。 主要是⽤来解决NLP领域语义相似度任务， 如果把document换成item或是⼴告，就演变成了⼀个推荐模型。
从模型上来看， x x x 是用来表示输入的term向量， y y y 是经过DNN后的输出向量；DSSM模型的整体结构中，Q代表Query信息，D表示Document信息。
- Term Vector：表示文本的Embedding向量；
- Word Hashing技术：为解决Term Vector太大问题，对bag-of-word向量降维；
- Multi-layer nonlinear projection：表示深度学习网络的隐层；
- Semantic feature ：表示Query和Document 最终的Embedding向量；
- Relevance measured by cosine similarity：表示计算Query与Document之间的余弦相似度
- Posterior probability computed by softmax：表示通过Softmax 函数把Query 与正样本Document的语义相似性转化为一个后验概率
典型的DNN结构是将原始的文本特征映射为在语义空间上表示的特征。DNN在搜索引擎排序中主要有2个作用：
- 将query中term的高维向量映射为低维语义向量
- 根据语义向量计算query与doc之间的相关性分数
从推荐系统角度看DSSM模型：
双塔模型结构简单，一个user塔(用户侧特征–用户画像信息、统计属性以及历史行为序列等)，另一个item塔(Item相关特征–Item基本信息、属性信息等)，两边的DNN结构最后一层(全连接层)隐藏单元个数相同，保证user embedding和item embedding维度相同，后面相似度计算(如cos内积计算)，损失函数使用二分类交叉熵损失函数。DSSM模型无法像deepFM一样使用user和item的交叉特征。
3.DSSM模型离线训练流程
召回阶段一般用到的特征有三种：
| 内容 | |
|---|---|
| user特征 | user ID、用户基础属性信息(性别、年龄、地域等)、用户画像信息、用户的各种session信息等等 |
| item特征 | item ID、item基础属性信息(发布日期、作者ID、类别等)、item的画像、item创作者画像等等 |
| 上下文特征 | 当前时间戳、手机类型、网络类型、星期几等等 |
离线训练双塔召回模型时，将user特征和上下文特征concat起来，作为user塔的输入。将item特征concat起来，作为item塔的输入。
双塔召回模型的离线训练步骤为：
- 将用户侧的特征concat起来，输入一个DNN网络中，最终得到一个user embedding；
- 将物品侧的特征concat起来，输入一个DNN网络中，最终得到一个item embedding；
- 拿user embedding与item embedding，做点积或cosine，得到logit，代表user和item之间的匹配程度；
- 设计loss训练模型，一般loss都选择weighted cross entropy loss或Focal loss，这些loss都是point wise方法。
双塔召回模型的线上预测步骤为：
- 离线刷可推荐item库得到item embedding，具体做法为：离线的、周期性的、批量的将item特征输入item塔，得到item embedding。把得到的item embedding导入Faiss中，建立索引。
- 线上实时得到用户的user embedding，具体做法为：当用户线上请求后，将user特征和上下文特征输入user塔，得到user embedding。
- 拿到的实时user embedding到Faiss中做近邻搜索(ANN)，得到与user embedding相邻的Top N个item集合，作为召回内容返回。
4.思考
Q: DSSM 就一定适合所有的业务吗
- DSSM 是端到端的模型 ，虽然省去了人工特征转化、特征工程和特征组合，但端到端的模型有个问题就是效果不可控。
- DSSM 是弱监督模型，因为引擎的点击曝光日志里 Query 和 Title 的语义信息比较弱。 大部分的用户进行点击时越靠前的点击的概率越大，而引擎的排序又是由 pCTR、CVR、CPC 等多种因素决定的。从这种非常弱的信号里提取出语义的相似性或者差别，那就需要有海量的训练样本。
Q：DSSM模型做召回时的正负样本选择？
正样本：曝光给用户并且用户点击的item；
负样本： 从全量候选item中召回，而不是从有曝光的item中召回
召回负样本构造是一门学问，常见的负样本构造方法有( 摘自张俊林大佬文章，SENet双塔模型：在推荐领域召回粗排的应用及其它，关于负样本构造方法总结的非常棒 ):
- 曝光未点击数据 导致Sample Selection Bias(SSB)问题的原因。我们的经验是，这个数据还是需要的，只是要和其它类型的负例选择方法，按照一定比例进行混合，来缓解Sample Selection Bias问题。当然，有些结论貌似是不用这个数据，所以用还是不用，可能跟应用场景有关。
- 全局随机选择负例 就是说在原始的全局物料库里，随机抽取做为召回或者粗排的负例。这也是一种做法，Youtube DNN双塔模型就是这么做的。从道理上讲，这个肯定是完全符合输入数据的分布一致性的，但是，一般这么选择的负例，因为和正例差异太大，导致模型太好区分正例和负例，所以模型能学到多少知识是成问题的。
- Batch内随机选择负例 训练的时候，在Batch内，选择除了正例之外的其它Item，做为负例。这个本质上是：给定用户，在所有其它用户的正例里进行随机选择，构造负例。它在一定程度上，也可以解决Sample Selection Bias问题。比如Google的双塔召回模型，就是用的这种负例方法。
- 曝光数据随机选择负例 在给所有用户曝光的数据里，随机选择做为负例。这个我们测试过，在某些场景下是有效的。
- 基于Popularity随机选择负例 全局随机选择，但是越是流行的Item，越大概率会被选择作为负例。目前不少研究证明了，负例采取Popularity-based方法，对于效果有明显的正面影响。它隐含的假设是：如果一个例子越流行，那么它没有被用户点过看过，说明更大概率，对当前的用户来说，它是一个真实的负例。同时，这种方法还会打压流行Item，增加模型个性化程度。
- 基于Hard选择负例 它是选择那些比较难的例子，做为负例。因为难区分的例子，很明显给模型带来的loss和信息含量比价多，所以从道理上讲是很合理的。但是怎样算是难的例子，可能有不同的做法，有些还跟应用有关。比如Airbnb，还有不少工作，都是在想办法筛选Hard负例上。
新浪微博的实践经验（直接copy大佬原话）：以上是几种常见的在召回和粗排阶段选择负例的做法。我们在模型召回阶段的经验是：比如在19年年中左右，我们尝试过选择1+选择3的混合方法，就是一定比例的“曝光未点击”和一定比例的类似Batch内随机的方法构造负例，当时在FM召回取得了明显的效果提升。但是在后面做双塔模型的时候，貌似这种方法又未能做出明显效果。
Q:User Embedding 与 Item Embedding 如何保持一致性？
由于双塔召回模型在Serving环节，主要包括异步Item刷库Serving和User Serving两部分，具体功能如下：
1.异步Item刷库Serving，主要通过刷库Item Serving捕获所有的item embedding，以异步的方式反复刷库，把得到的item embedding导入Faiss中，建立索引。为了保持版本的一致性，更新周期短即可。
2.User Serving，当用户请求推荐引擎后，获取该用户的user features，然后请求User Serving产出user embedding；同时，基于全库Item刷库的Embedding结果产出的Faiss索引服务做近邻搜索(ANN)，召回Top N个item集合。
User Embedding是实时从线上服务的模型中产生的，线上服务的模型一定是最新版本的模型。而Item Embedding是周期性拿全量Item库刷线上服务模型得到，会出现有的Item Embedding是新的，有的是旧版的，版本不一致。
那在做近邻搜索(ANN)时，User Embedding会和部分Item Embedding版本一致，都是从一个模型中产生的，而其余部分Item Embedding版本是上一版模型导出的。这种版本的不一致就会导致召回结果的准确性降低！
线上实时得到User Embedding时，也会拿到当前服务模型的版本号，如果用Tensorflow导出模型的话，模型的版本号就是导出模型时刻的时间戳。Item Embedding导入到Faiss中建立索引时，也会对这个建立的Faiss索引库标上模型的版本号。
然后拿着带有模型版本号的User Embedding，到对应版本号的Faiss索引库中做近邻搜索(ANN)，召回Top N个item集合。这个优化主要集中在工程上，优化难度也不大，主要就是能提升模型的在线收益。
Q:对于一个用户的一次Batch打分请求，User塔只计算一次
在线Serving打分阶段，一个Batch请求中包含一个用户的特征和多个item的特征。一般是将用户的特征复制Batch Size大小的次数，然后与每一个item的特征进行拼接，最后输入到双塔网络中计算user对每个item的打分。
这里有一个问题是：如果user塔的网络比较复杂或者用户特征非常多时，这种Serving打分的方式容易导致user塔的大量、重复计算。通常推荐系统中用户特征占比非常大，主要是用户的各种session特征及各种画像特征，而item的特征通常是一些属性特征和统计特征，占一个Batch请求包的很小比例。User塔的优化就是，对于一个用户的一次Batch打分请求，User塔只计算一次，在得到最终User Embedding后，复制batch size份。 在线Serving时，每个Batch只有一个用户的所有特征且拿一次，这里不是拿一个用户的特征拿Batch Size次哦，所以在生成稀疏特征的Embedding和稠密特征时，我们只需要取第一行的Embedding数据和稠密特征数据就可以了，也就是用户的特征只过一次User塔，User Embedding只需要生成一遍，这样矩阵运算就可以优化为向量运算。在得到最终的User Embedding后，把User Embedding再复制为batch size的维度。经过这一步的优化，双塔模型在线Serving时的打分耗时及线上服务需要的机器资源都减少了许多。
5.总结
- DSSM其核心思想是将query和doc映射到到共同维度的语义空间中，通过最大化query和doc语义向量之间的余弦相似度，从而训练得到隐含语义模型，达到检索的目的。
- DSSM主要用在召回和粗排阶段。 在应⽤于推荐系统时，通过两个塔分别去建模user侧和item侧的embedding，计算embedding之间的内积，最后⽤真实的label计算loss。
- user塔与item塔的DNN结构最后一层(全连接层)隐藏单元个数相同，保证user embedding和item embedding维度相同，后面相似度计算(如cos内积计算)，损失函数使用二分类交叉熵损失函数。
本文仅仅作为个人学习记录所用，不作为商业用途，谢谢理解。
参考：https://blog.csdn.net/u012328159/article/details/123782735
扫一扫
4407
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
