1什么是長尾問題

長尾問題一直是很多場景中最難優化的問題，特別是在推薦系統領域，長尾問題十分常見，卻很難優化。在推薦系統中，長尾問題指的是，某些實體在訓練數據中出現次數非常少，導致模型對這部分樣本打分效果很差。典型的場景包括，新用戶沒有幾條瀏覽行為，如何準確推薦用戶感興趣的內容；一些商品非常小眾，用戶反饋很少，如何對這些商品進行推薦等等。長尾在一個成熟的系統中往往服從二八定律，即20%的頭部實體貢獻了80%的數據，而剩余80%的實體只有20%的數據，實際場景中甚至比二八還要長尾。

長尾問題的難點主要體現在以下2點。首先，長尾實體的樣本量太少，模型很難學習這部分樣本的規律，例如用戶的embedding、商品的embedding等，都是需要大量數據學習的。其次，頭部樣本在數量上占絕對優勢，導致模型偏向擬合頭部樣本的規律，而尾部樣本的規律和頭部樣本可能有較大差異，導致模型在尾部樣本效果不好。

2如何解決長尾問題

那么，如何解決長尾問題呢？業內工作主要包括兩種核心優化方法。第一種方法是基于meta-learning解決長尾問題。剛才我們說到，長尾用戶或商品的數據量少，模型難學習，那么我們就讓模型具備在少量樣本上能學的比較好的能力就可以了。而meta-learning正是讓模型實現上述能力的方法。我在之前的文章Meta-learning核心思想及近年頂會3個優化方向中對meta-learning的核心思路進行了詳細介紹，感興趣的同學可以進一步深入閱讀。第二種方法是基于圖學習解決長尾問題。長尾部分的由于數據少無法學到良好的embedding，在圖學習中，可以利用豐富的鄰居節點信息對長尾實體的信息進行補充，進而學到更好的embedding。

下面，我們分別來看看基于meta-learning的方法和基于圖學習的方法解決長尾問題的典型工作。

3基于meta-learning的方法

基于meta-learning的長尾問題解決方法又可以分為兩種思路，一種是利用meta-learning生成長尾用戶或商品的良好embedding，另一種是利用meta-learning讓模型獲得在小樣本上的快速學習能力。這里分別介紹兩個思路的兩篇經典文章。

第一篇文章是Improving ctr predictions via learning to learn id embeddings（SIGIR 2019）。這篇文章主要場景是廣告的ctr預估，解決的問題是如何提升冷啟動廣告的預測效果。本文提出了基于meta-learning的冷啟動廣告embedding學習方法。首先將每個ad的ctr預測看成是meta-learning中一個獨立的任務。然后學習一個embedding生成器，生成器的輸入是廣告的特征，輸出embedding。整個過程利用meta-learning的思路進行學習，利用meta-learning中的support set和query set模擬一個冷啟動廣告生成embedding和使用embedding預測，進而優化embedding生成器。

整個meta-learning的過程如下所示，在一個預訓練好的模型基礎上進行。隨機選擇一些廣告，生成兩個batch的數據。使用embedding生成器生成embedding后使用第一個batch計算loss，再利用這個loss更新一步生成器（內循環）；然后使用更新后的生成器計算另一個batch上的loss（外循環），并更新最終參數。

第二篇文章是MeLU: meta-learned user preference estimator for cold-start recommendation（KDD 2019）。這篇文章主要也是借助了meta-learning讓模型具有快速學習能力，讓模型能夠在冷啟動樣本上，只看到少數幾個item就能進行快速的更新參數。

這篇文章重點解決的是user側的冷啟動問題，對于一個user的數據分成support set和query set，在support set內循環后在queryset評估效果并進行全局更新。embedding層不使用meta-learning，只在全連接層進行meta-learning。

4基于圖學習的方法

基于圖的學習方法通過圖建立不同實體之間的關系，進而可以用其他實體的信息豐富長尾實體的信息，緩解由于長尾導致的樣本不充分無法學習良好表示的問題。

Learning Graph Meta Embeddings for Cold-Start Ads in Click-Through Rate Prediction（SIGIR 2021）利用圖學習解決新ad的embedding生成問題。對于新ad，使用屬性特征和圖學習生成一個合理的embedding。根據屬性重合度構造新ad的相似鄰居，并按照屬性的重合度排序，得到最相似的幾個ad。然后利用GAT進行new ad和其鄰居的信息融合，再用全連接生成新ad的向量表示，作為id embedding。這個過程相當于根據屬性找到與新ad最相似的舊ad，用舊ad的信息豐富新ad的embedding。在訓練方法上，先用舊ad訓練一個正常的ctr預估模型，然后固定ctr模型的參數，單獨訓練新ad表示生成部分的參數，利用meta-learning的方法更新模型參數。

Graph Intention Network for Click-through Rate Prediction in Sponsored Search（SIGIR 2019）也是一篇比較有代表性的工作。CTR預估中經常需要對歷史行為建模提升效果（比如用戶歷史點擊過的商品），但是長尾用戶的歷史行為比較稀疏。因此這篇文章提出，利用點擊行為構造商品和商品之間的圖，利用這個圖補充歷史行為信息。通過商品-商品圖，可以挖掘出和當前商品高度相關的其他商品，這些商品雖然沒有直接的點擊行為，但由于和點擊過的商品高度相關，因此用戶點擊這些商品的概率可能也很高。通過這種基于圖擴展信息的方法，解決長尾用戶歷史行為稀疏的問題。

5總結

本文為大家介紹了解決長尾和冷啟動問題的基本方法，主要包括meta-learning和圖學習兩個路線。Meta-learning更側重于讓模型具有在小樣本上快速學習的能力；而圖學習更側重于挖掘和長尾實體相關的鄰居，用鄰居信息補充長尾實體的信息。

審核編輯 ：李倩