深度學(xué)習(xí)（ Deep learning ， DL ）是解決計(jì)算機(jī)視覺(jué)或自然語(yǔ)言等機(jī)器學(xué)習(xí)問(wèn)題的最新方法，它的性能優(yōu)于其它方法。最近的趨勢(shì)包括將 DL 技術(shù)應(yīng)用于推薦引擎。許多大型公司，如 AirBnB 、 Facebook 、 Google 、 Home Depot 、 LinkedIn 和 Pinterest ，都分享了他們將 DL 用于推薦系統(tǒng)的經(jīng)驗(yàn)。

最近， NVIDIA 和 RAPIDS 。 AI 團(tuán)隊(duì)與 DL 贏得了三場(chǎng)比賽： VZX1 、 信號(hào)和日期挑戰(zhàn) 和 ACM WSDM2021 Booking 。 com 挑戰(zhàn)賽 。

推薦系統(tǒng)的領(lǐng)域是復(fù)雜的。在這篇文章中，我將重點(diǎn)介紹神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)及其組件，例如嵌入層和完全連接層、遞歸神經(jīng)網(wǎng)絡(luò)單元（ LSTM 或 GRU ）和變壓器塊。我討論了流行的網(wǎng)絡(luò)架構(gòu)，比如 Google 的 Wide & Deep 和 Facebook 的 Deep Learning Recommender Model （ DLRM ）。

DL 推薦系統(tǒng)的優(yōu)點(diǎn)

有許多不同的技術(shù)來(lái)設(shè)計(jì)推薦系統(tǒng)，例如關(guān)聯(lián)規(guī)則、基于內(nèi)容或協(xié)同過(guò)濾、矩陣分解或訓(xùn)練線性或基于樹(shù)的模型來(lái)預(yù)測(cè)交互可能性。

使用神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是什么？一般來(lái)說(shuō)， DL 模型可以獲得更高的精度。首先， DL 可以利用額外的數(shù)據(jù)。許多傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)需要更多的數(shù)據(jù)。但是，當(dāng)您增加神經(jīng)網(wǎng)絡(luò)的容量時(shí)，該模型可以使用更多的數(shù)據(jù)來(lái)提高性能。

第二，神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)是靈活的。例如，您可以針對(duì)多個(gè)目標(biāo)（多任務(wù)學(xué)習(xí)）訓(xùn)練 DL 模型，例如“用戶是否將項(xiàng)目添加到購(gòu)物車(chē)中？”、“使用項(xiàng)目開(kāi)始結(jié)賬？”、或“購(gòu)買(mǎi)項(xiàng)目？”。每個(gè)目標(biāo)都有助于模型從數(shù)據(jù)中提取信息，并且目標(biāo)可以相互支持。

其他設(shè)計(jì)方法包括向推薦模型中添加多模態(tài)數(shù)據(jù)。您可以通過(guò)使用卷積神經(jīng)網(wǎng)絡(luò)處理產(chǎn)品圖像或使用 NLP 模型處理產(chǎn)品描述來(lái)實(shí)現(xiàn)這一點(diǎn)。神經(jīng)網(wǎng)絡(luò)應(yīng)用于許多領(lǐng)域。您可以將新開(kāi)發(fā)（如優(yōu)化器或新層）轉(zhuǎn)移到推薦系統(tǒng)。

最后， DL 框架經(jīng)過(guò)了高度優(yōu)化，可以處理各種域的數(shù) TB 到數(shù) PB 的數(shù)據(jù)。下面是如何為推薦系統(tǒng)設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)。

基本構(gòu)造塊：嵌入層

嵌入層用密集向量表示類(lèi)別。這種技術(shù)在自然語(yǔ)言處理中非常流行，可以嵌入具有密集表示的單詞。具有相似意義的詞具有相似的嵌入向量。

您可以將相同的技術(shù)應(yīng)用于推薦系統(tǒng)。最簡(jiǎn)單的推薦系統(tǒng)是基于用戶和項(xiàng)目的：您應(yīng)該向用戶推薦哪些項(xiàng)目？您有用戶 ID 和項(xiàng)目 ID 。單詞是 users 和 items ，因此使用兩個(gè)嵌入表（圖 1 ）。

圖 1 。嵌入維度為 4 的表

計(jì)算用戶嵌入和項(xiàng)目嵌入之間的點(diǎn)積，得到最終分?jǐn)?shù)，即用戶與項(xiàng)目交互的可能性。最后一步可以應(yīng)用 sigmoid 激活函數(shù)將輸出轉(zhuǎn)換為 0 到 1 之間的概率。

圖 2 。具有兩個(gè)嵌入表和點(diǎn)積輸出的神經(jīng)網(wǎng)絡(luò)

該方法等價(jià)于矩陣分解或交替最小二乘法（ ALS ）。

具有完全連接層的較深模型

神經(jīng)網(wǎng)絡(luò)的性能是基于具有多個(gè)非線性層的深層結(jié)構(gòu)。通過(guò)將嵌入層的輸出通過(guò)多個(gè)具有 ReLU 激活的完全連接層提供，可以擴(kuò)展先前的模型。

一個(gè)設(shè)計(jì)選擇是如何組合兩個(gè)嵌入向量。您可以僅串聯(lián)嵌入向量，也可以將向量逐元素相乘，類(lèi)似于點(diǎn)積。輸出之后是多個(gè)隱藏層。

圖 3 。具有兩個(gè)嵌入表和多個(gè)完全連接層的神經(jīng)網(wǎng)絡(luò)

向神經(jīng)網(wǎng)絡(luò)中添加元數(shù)據(jù)信息

到目前為止，您只使用了用戶 ID 和產(chǎn)品 ID 作為輸入，但是您通常可以獲得更多的信息。其他用戶信息可以是性別、年齡、城市（地址）、自上次訪問(wèn)以來(lái)的時(shí)間或用于支付的信用卡。一件商品通常有一個(gè)品牌、價(jià)格、類(lèi)別或在過(guò)去 7 天內(nèi)售出的數(shù)量。這些信息有助于模型更好地推廣。修改神經(jīng)網(wǎng)絡(luò)以使用附加特征作為輸入。

圖 4 。具有元信息和多個(gè)完全連接層的神經(jīng)網(wǎng)絡(luò)

流行建筑

嵌入層和完全連接層是理解一些最新出版的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的主要組成部分。在這篇文章中，我將從 2016 年開(kāi)始報(bào)道谷歌的廣度和深度，從 2019 年開(kāi)始報(bào)道 Facebook 的 DLRM 。

谷歌的廣度和深度

谷歌的廣度和深度包含兩個(gè)部分：

記憶共同特征組合的寬塔

用來(lái)概括罕見(jiàn)或未觀察到的特征組合的深塔

創(chuàng)新之處在于，這兩個(gè)組件同時(shí)訓(xùn)練，這是可能的，因?yàn)樯窠?jīng)網(wǎng)絡(luò)是靈活的。深塔通過(guò)嵌入層提供分類(lèi)特征，并將輸出與數(shù)字輸入特征連接起來(lái)。級(jí)聯(lián)向量通過(guò)多個(gè)完全連接的層饋送。

你聽(tīng)上去熟悉嗎？是的，那是你以前的神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)。新的組成部分是寬塔，它只是輸入特征的線性組合，具有類(lèi)似的線性/邏輯回歸。每個(gè)塔的輸出相加，得到最終的預(yù)測(cè)值。

Facebook 的 DLRM

Facebook 的 DLRM 與帶有元數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)類(lèi)似，但有一些特定的差異。數(shù)據(jù)集可以包含多個(gè)分類(lèi)特征。 DLRM 要求所有的分類(lèi)輸入都通過(guò)一個(gè)具有相同維數(shù)的嵌入層。稍后，我將討論這一點(diǎn)的重要性。

接下來(lái)，將連續(xù)的輸入串聯(lián)起來(lái)并通過(guò)稱(chēng)為底部多層感知器（ MLP ）的多個(gè)完全連接的層饋送。底層 MLP 的最后一層具有與嵌入層向量相同的維數(shù)。

DLRM 使用了一個(gè)新的組合層。它在所有嵌入向量對(duì)和底部 MLP 輸出之間應(yīng)用按元素相乘。這就是為什么每個(gè)向量都有相同的維數(shù)。所得到的向量被串聯(lián)并饋送到另一組完全連接的層（頂部 MLP ）。

圖 5 。左側(cè)顯示廣度和深度架構(gòu)，右側(cè)顯示 DLRM 架構(gòu)。

基于會(huì)話的推薦系統(tǒng)

當(dāng)我為推薦系統(tǒng)分析不同的基于 DL 的體系結(jié)構(gòu)時(shí)，我假設(shè)輸入具有表格數(shù)據(jù)結(jié)構(gòu)，而忽略了用戶交互的本質(zhì)。但是，用戶在訪問(wèn)網(wǎng)站時(shí)，在一個(gè)會(huì)話中有多個(gè)交互。例如，他們?cè)L問(wèn)一家商店并查看多個(gè)產(chǎn)品頁(yè)面。您可以使用用戶交互序列作為輸入來(lái)提取模式嗎？

在一個(gè)會(huì)話中，用戶連續(xù)查看多條牛仔褲，您應(yīng)該推薦另一條牛仔褲。在另一個(gè)會(huì)話中，同一個(gè)用戶連續(xù)查看多雙鞋，您應(yīng)該推薦另一雙鞋。這就是基于會(huì)話的推薦系統(tǒng)背后的直覺(jué)。

謝天謝地，您可以將 NLP 中的一些技術(shù)應(yīng)用于推薦系統(tǒng)域。用戶的交互具有順序結(jié)構(gòu)。

圖 6 。基于會(huì)話的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)

序列可以通過(guò)使用遞歸神經(jīng)網(wǎng)絡(luò)（ RNN ）或基于變壓器的結(jié)構(gòu)作為序列層來(lái)處理。用嵌入向量表示項(xiàng)目 ID ，并通過(guò)序列層提供輸出。序列層的隱藏表示可以添加為深度學(xué)習(xí)體系結(jié)構(gòu)的輸入。

其他選擇

當(dāng)我把這篇文章的重點(diǎn)放在將 DL 應(yīng)用于推薦系統(tǒng)的理論上時(shí)，我沒(méi)有涉及到很多其他的挑戰(zhàn)。我在這里簡(jiǎn)要介紹一下，以提供一個(gè)起點(diǎn)：

嵌入表可以超過(guò) CPU 或 GPU 內(nèi)存。由于在線服務(wù)可能有數(shù)百萬(wàn)用戶，嵌入表可以達(dá)到數(shù)兆字節(jié)。 NVIDIA 提供了 HugeCTR 框架，可以將嵌入表擴(kuò)展到 CPU 或 GPU 內(nèi)存之外。

在培訓(xùn)期間最大限度地利用 GPU 。基于 DL 的推薦系統(tǒng)有一個(gè)淺層的網(wǎng)絡(luò)結(jié)構(gòu)，只有幾個(gè)完全連接的層。數(shù)據(jù)加載器有時(shí)是訓(xùn)練管道中的瓶頸。為了抵消這一點(diǎn)， NVIDIA 為 PyTorch 和 TensorFlow 開(kāi)發(fā)了一個(gè) 高度優(yōu)化的 GPU 數(shù)據(jù)加載器 。

生成建議需要對(duì)用戶項(xiàng)對(duì)進(jìn)行評(píng)分。最壞的情況是預(yù)測(cè)所有可用產(chǎn)品的可能性，并選擇最佳產(chǎn)品。在實(shí)踐中，這是不可行的，候選人產(chǎn)生了一個(gè)低開(kāi)銷(xiāo)的模型，如近似近鄰。

概括

這篇文章向您介紹了基于 DL 的推薦系統(tǒng)。我首先介紹了基于兩個(gè)輸入的基本矩陣分解，然后介紹了使用 transformer 層的最新基于會(huì)話的體系結(jié)構(gòu)。

您可以使用遞歸神經(jīng)網(wǎng)絡(luò)（ RNN ）或基于轉(zhuǎn)換器的體系結(jié)構(gòu)作為序列層來(lái)處理序列。用嵌入向量表示項(xiàng)目 ID ，并通過(guò)序列層提供輸出。添加序列層的隱藏表示作為 DL 架構(gòu)的輸入。

關(guān)于作者

Benedikt Schifferer 是 NVIDIA 的深度學(xué)習(xí)工程師，致力于推薦系統(tǒng)。在他在 NVIDIA 的工作之前，他畢業(yè)于紐約哥倫比亞大學(xué)的數(shù)據(jù)科學(xué)碩士，并為德國(guó)電子商務(wù)公司開(kāi)發(fā)了推薦系統(tǒng)。

審核編輯：郭婷