论推荐系统的Exploitation和Exploration

推荐系统

#1

转载自 期望最大化(洪亮劼的专栏),如有侵犯版权,请联系删除,谢谢!

一个推荐系统,如果片面优化用户的喜好,很可能导致千篇一律的推荐结果。曾经讨论过为什么使用Exploitation & Exploration (E & E)结果可能依然不能“免俗”。其实,E & E是推荐系统里很有意思,但也非常有争议的一个算法。一方面,大家都基本明白这类算法的目的,每年有很多相关论文发表。另一方面,这是工业界对于部署这类算法非常谨慎,有的产品经理甚至视之为“洪水猛兽”。这篇文章就是要分析一下导致这个现象的一些因素。

1. 走一步看一步的策略

这里再简单阐述一下什么是E & E。简单来说,就是我们在优化某些目标函数的时候,从一个时间维度来看,当信息不足或者决策不确定性(Uncertainty)很大的时候,我们需要平衡两类决策:

  • 选择现在可能最佳的方案
  • 选择现在不确定的一些方案,但未来可能会有高收益的方案

在做这两类决策的过程中,我们也逐渐对所有决策的不确定性不断更新不断加以新的认识。于是,最终,从时间的维度上来看,我们在不确定性的干扰下,依然能够去优化目标函数。

也就是说,E & E可以看做是一个优化过程,需要多次迭代才能找到比较好的方案。

2. E & E的应用历史

早期把E & E应用于新闻推荐系统的文章(比如[1,2,4])主要关注于Yahoo Today Module(下图中间的模块)这一产品,这也基本上是最早E & E出现在互联网应用的尝试,目的是为了优化点击率(CTR)。而更早一些的奠基性的文章(如[3])则是在广告的数据集上展示的实验结果。

Yahoo Today Module其实为E & E提供了一些很多学者和工业界人士忽视了的条件和成功因素。如果不考虑这些因素,鲁莽得使用这些文献相似的算法到其他场景,这可能产生很差的效果。那么是哪些因素呢?主要由两点:

  • (1)相对少量的优质资源: Yahoo Today Module每天的Content Pool其实并不大。这里面都是网站编辑精选了的大概100篇文章。这些文章原本的质量就非常高。无论是这里面的任何一组,用户体验都没有明显变差。Content Pool每天都人为更换。
  • (2)非常大的用户量:有亿万级的用户可能最终是从算法随机产生的文章排序中选择了阅读的文章。然而,因为用户数量巨大,所以算法就相对比较容易Converge到稳定的方案。也就是前面讲的,优化CTR的状态。

正因为有了(1)和(2),Deepak他们享受了在后来学者们所无法想象的“奢侈”,比如运行Epsilon-Greedy这种简单粗暴的E & E算法,甚至是完全随机显示新闻,收集到了很多无偏(Unbiased)的数据,为很多学术工作奠定了数据基础。时至今日,也有很多后续学者基于Yahoo Today Module的随机数据进行算法改进。

Deepak Agarwal,现任LinkedIn VP Of Engineering,主管Machine Learning和Relevance,是早年Yahoo推荐系统的缔造者之一,也是推荐系统的学术权威之一。其著作《Statistical Methods for Recommender Systems》是初学者必不可少的入门教材。

Bee-Chung Chen,现任LinkedIn Senior Staff Software Engineer,其PhD导师Raghu Ramakrishnan现在是微软的CTO for Data和Technical Fellow(此人是早期知识图谱Knowledge Graph概念的推崇者)。Bee-Chung是Deepak在Yahoo年代的老部下,并且追随其到LinkedIn。他们是很多工作的共同作者。

Lihong Li,现任微软研究院资深研究员。其在Yahoo的一系列有关Contextual Multi-Armed Bandit以及Thompson Sampling的文章奠定了其在这个领域的权威位置。他在WSDM 2015做的关于如何连接线下和线上系统的评估的讲座[5],是非常有价值的学术资料。

没有了这两条因素,Deepak的解决方案可能都没法在当时的Yahoo施行。原因很简单,如果资源良莠不齐,如果资源数量非常大,那么在仅有的几个展示位置,优质资源显示的可能性在短期内就会比较小(因为系统对于大多数的资源还有很高的不确定性,需要Explore)。而由于优质资源显示得少了,用户就会明显感受到体验的下降,直接可能就是更倾向于不点击甚至放弃使用产品。于是用户不Engage这样的行为又进一步减缓了系统学习资源的不确定性的速度。这时也许现在的亿万级用户数都没法满足学习所有资源的用户数量(毕竟所有用户只有一部分会落入Exploration)。

Deepak后来在LinkedIn推了相似的思路[6],但是为了模拟Today Module的这些条件,则是对用户的内容流里的数据进行了大规模的过滤。这样只有少数的信息符合高质量的要求,并且能够在用户数允许的情况下Explore到合适的解决方案。

3. E & E的产品部署难点

我们在上一节探讨了E & E的早期产品历史。这一节,我们来讲一下E & E的产品部署难点。这些难点是普遍高于具体E & E算法选择(比如选某一个UCB或者某一个Thompson Sampling)的产品工程解决方案的抉择。为了便于讨论,我们把文献里所有E & E算法整体叫做“Random”简称R算法,而把不做E & E的算法叫做“Deterministic”简称D算法。这里面的假设是,D算法比较静态,能够产生高质量一致性的内容。这里的一致性是指用户在短时间内的用户体验比较稳定,不会有大幅度的界面和内容变化。相反,R算法整体来说是不确定性比较大,用户体验和产生的内容可能会有比较大的波动。

  • 难点一:如何上线测试

这看上去不应该是难点,但实际上需要额外小心。传统E & E文献,只是把问题抽象为每一次访问需要做一个决策的选择。然而,文献却没有说,这些访问是否来自同一个用户。那么,理论上,E & E应该对所有的访问不加区别,不管其是否来自同一个用户。用我们这篇文章的术语来说,就是所有的流量都做R算法。虽然理论上这样没有问题,但实际上,用户体验会有很大的差别。特别是一些推荐网站,用户希望自己前后两次对网站的访问保持一致性。如何不加区分得做R,很可能对于同一个用户来说,两次看见的内容迥异。这对用户熟悉产品界面,寻找喜爱的内容会产生非常大的障碍。

那么,我们对绝大部分用户做D,对另外一(小)部分用户做R,这样会好一些吗?这其实就是用“牺牲”少部分用户的代价来换取绝大多数人的体验一致性。这样实现也是最直观的,因为很多在线系统的A/B测试系统是根据用户来进行逻辑分割的。也就是说,某一部分用户会进入一个Bucket,而另一批用户会进入另外一个Bucket。按用户来做D & R可以很容易和Bucket System一致起来,方便部署。当然,这样做也是有潜在风险的。那就是,这部分老做R的用户,在当了别人的小白鼠以后,很可能永远放弃使用产品。

另外,我们还需要考虑“学习流程”(Learning Procedure)如何搭建。传统的E & E其实是把“学习流程”搭建在同一批流量上。也就是,模型更新所依赖的数据来自于同样一批流量。融合上面的讨论以后,我们可以总结出下面这些方案:

  • 全部流量做R,全部流量做学习。(方案A)
  • 一部分用户做D,其他用户做R。更新D的数据来自D,更新R的数据来自R。(方案B)
  • 一部分用户做D,其他用户做R。更新D的数据来自D+R,更新R的数据来自R。(方案C)
  • 一部分用户做D,其他用户做R。更新D的数据来自D+R,更新R的数据来自D+R。

最后一个方案其实是逻辑上不对的。因为R本身要求算法的回馈是来自R的决策,而使用D+R来学习模型,就产生了R的反馈信息被“污染”的现象。所以,合理的选择只能是前三种方案中的一种。

如何选择一个好的部署模式,目前并没有公开的文献以及比较能够通用的方案。这方面其实是一个值得思考的研究课题。

  • 难点二:如何评测

对现代推荐系统(以及很多类似系统)来说,在线系统的评测,也就是说如何衡量一个算法或者一个功能的好坏,往往依赖于复杂的A/B测试系统。这里的逻辑很简单,那就是,把一群人分为相等的两份(可以扩展到多份),一部分看A系统结果,另一部分人看B系统结果,然后根据一些用户指标(比如点击率)来决定究竟是A系统好还是B系统。也就是说,A/B测试系统是按照人群来分的。对于同一个人来说,在某一段时间内,一般是只能看到A或者B系统,但不是都能看见。

我们来讨论一下前一节的几个方案在评测方面的利弊。方案A要求全部流量做R,于是这个方案,依照定义,就没法和其他D作比较,只能两种不同的R相比。由于R对于用户体验上来说一般是有损失的,只能比较R和R,造成了没法量化整体系统的用户体验损失量,这可能是无法接受的一种局面。

方案B的设置很自然,可以比较单组或者多组D和R的差别,互相没有影响。坏处当然就是所有D部分的用户都没有Exploration,而R的部分可能流失用户。方案C没法直接评测,因为一个Bucket的D受到了R的影响。两个Bucket不独立。我们至少需要四个Bucket。一组Bucket是D1+R1,另外一组Bucket是D2+R2。在比较Bucket Performance的时候,我们需要综合比较(D1+R1)和(D2+R2)。这当然对A/B Testing系统有了较高的要求。

另一方面,对于方案B和方案C来说,R只运行在一部分用户上,模型可能需要很长的时间学习,甚至在规定的时间内没法完成学习。这就需要加大R的部分。然而加大R,则可能流失用户。于是,这里的决策核心就是D部分留住的老用户加上扩展的新用户,能否大大超过R部分流失的用户。

  • 难点三:如何平衡产品

通过前面两个难点可以看出,E & E几乎一定会导致产品的用户体验下降,至少在短期内。如何弥补这一点,技术上其实比较困难。比如做Deepak那样的过滤是一种思路,那就是只在优质内容里Explore。当然,有人会说,这样其实也没有多大的意义。然而,一旦把质量的闸门打开了,那就会对用户体验带来很大的影响。

这也是很多产品经理对于E & E非常谨慎的原因。能不做就不做。而且,在牺牲了用户体验的结果后,E & E所带来的好处其实很难评测,这主要是线上产品的评测机制和评测原理所决定的。目前还没有比较统一的解决方案。如何能够做到“用户友好型”E & E呢?

这里面可以有两种思路:

  • 不是所有人群的所有访问都适合做R。但是和传统的E & E不同的是,做“反向E & E”。也就是说,我们只针对非常Engaged的人做Exploration,而并不是新用户或者是还没有那么Engaged的人群。这个思路是和现在E & E完全相反,但是更加人性化。

  • 夹带“私货”。也就是更改E & E的算法,使得高质量的内容和低质量的内容能够相伴产生,并且高质量的内容更有几率排在前面。这样用户体验的损失可控。这个思路我们在[7]里有所尝试,效果不错。

其实,E & E和产品的结合点应该是工程和研究的重点,但很遗憾的是,碍于数据和其他方面的因素,这方面的研究工作几乎没有。

4. 可以挖掘的问题

前面说了E & E在工程部署以及产品上的难点。这里再提及一下E & E可以挖掘的方向:

  • “收集数据”,作为Causal Inference中消除现在产品的“偏见”(Bias)的重要步骤[8,9],这方面的工作还比较少,还没有在推荐系统里广泛使用。

  • 用户友好型的E & E方案(前面已经提及了),能够在尽可能少的情况下打扰用户,学到尽可能多的信息。这方面目前不是学术圈的重点,但却是工程产品方面非常需要的解决方案。

5. 结论

本篇文章讨论了推荐系统中Exploitation和Exploration的使用,分享了这方面的历史,探讨了工程和产品的技术难点,希望这篇文章能够为相关方向抛砖引玉。

6. 参考文献

  1. Lihong Li, Wei Chu, John Langford, and Robert E. Schapire. A Contextual-Bandit Approach to Personalized News Article Recommendation. In Proceedings of WWW 2010.
  2. Deepak Agarwal, Bee-Chung Chen, Pradheep Elango. Explore/Exploit Schemes for Web Content Optimization. In Proceedings of ICDM 2009.
  3. John Langford, Alexander Strehl, and Jennifer Wortman. Exploration Scavenging. In Proceedings of ICML 2008.
  4. Lihong Li, Wei Chu, John Langford, and Xuanhui Wang. Unbiased Offline Evaluation of Contextual-Bandit-Based News Article Recommendation Algorithms. In Proceedings of WSDM 2011.
  5. Lihong Li. Offline Evaluation and Optimization for Interactive Systems。 In Proceedings of WSDM 2015.
  6. Deepak Agarwal. Recommending Items to Users: An Explore/Exploit Perspective. In Proceedings of the 1st Workshop on User Engagement Optimization at CIKM 2013.
  7. Liangjie Hong and Adnan Boz. An Unbiased Data Collection and Content Exploitation/Exploration Strategy for Personalization. ArXiv. 2016.
  8. Lihong Li, Jin Young Kim, and Imed Zitouni. Toward Predicting the Outcome of an A/B Experiment for Search Relevance. In Proceedings of WSDM 2015.
  9. Tobias Schnabel, Adith Swaminathan, Ashudeep Singh, Navin Chandak, Thorsten Joachims. Recommendations as Treatments: Debiasing Learning and Evaluation. ArXiv. 2016.