9 月，我們開(kāi)源了 TensorFlow Recommenders，這個(gè)庫(kù)能夠幫助您輕松構(gòu)建最先進(jìn)的推薦系統(tǒng)模型?，F(xiàn)在，我們高興地宣布 TensorFlow Recommenders (TFRS) 的新版本 v0.3.0。

v0.3.0
https://github.com/tensorflow/recommenders/releases/tag/v0.3.0

新版本引入了兩項(xiàng)重要功能，二者對(duì)于構(gòu)建和部署高質(zhì)量、可擴(kuò)展的推薦模型至關(guān)重要。

第一項(xiàng)新增功能是對(duì)快速可擴(kuò)展近似檢索提供內(nèi)置支持。通過(guò)利用 ScaNN，TFRS 現(xiàn)已能夠構(gòu)建在數(shù)毫秒內(nèi)即可從數(shù)以百萬(wàn)計(jì)的條目中檢索出最佳候選條目的深度學(xué)習(xí)推薦模型，同時(shí)又保留了部署單個(gè)“輸入查詢特征即可輸出建議”的 SavedModel 對(duì)象的便利性。

第二項(xiàng)新增功能是支持用于特征交互建模的更出色技術(shù)。新版本 TFRS 包含了 Deep & Cross Network 的實(shí)現(xiàn)：一種高效架構(gòu)，用于學(xué)習(xí)深度學(xué)習(xí)推薦模型中使用的所有不同特征之間的交互。

Deep & Cross Network
https://arxiv.org/pdf/2008.13535.pdf

如果您迫切希望嘗試新增功能，可以直接前往我們的高效檢索和特征交互建模教程?；蚶^續(xù)閱讀以了解詳情！

[教程] 高效檢索
https://tensorflow.google.cn/recommenders/examples/efficient_serving

[教程] 特征交互建模
https://tensorflow.google.cn/recommenders/examples/dcn

高效檢索（粗排）

許多推薦系統(tǒng)的目標(biāo)都是要從數(shù)百萬(wàn)或數(shù)千萬(wàn)的候選條目中檢索出少量的優(yōu)質(zhì)推薦。推薦系統(tǒng)的粗排階段將解決“大海撈針”式的問(wèn)題，從整個(gè)候選列表中獲取一份簡(jiǎn)短且有價(jià)值的候選列表。

正如我們?cè)谥暗奈恼轮兴懻摰哪菢?，TensorFlow Recommenders 使構(gòu)建雙塔檢索模型變得更加方便。此類模型執(zhí)行檢索分為兩個(gè)步驟：

將用戶輸入映射到嵌入向量

在嵌入向量空間內(nèi)尋找最佳候選條目

雙塔檢索模型
https://research.google/pubs/pub48840/

第一步的計(jì)算成本很大程度上取決于查詢塔模型的復(fù)雜性。例如，如果用戶輸入為文本，那么使用 8 層轉(zhuǎn)換器的查詢塔的計(jì)算成本大約是使用 4 層轉(zhuǎn)換器的查詢塔的兩倍。稀疏、量化和架構(gòu)優(yōu)化等技術(shù)都有助于降低這一計(jì)算成本。

架構(gòu)優(yōu)化
https://arxiv.org/abs/1905.11946

但是，對(duì)于具有數(shù)百萬(wàn)個(gè)候選條目的大型數(shù)據(jù)庫(kù)而言，第二步通常對(duì)于實(shí)現(xiàn)快速推斷更為重要。我們的雙塔模型使用用戶輸入和候選嵌入向量的點(diǎn)積來(lái)計(jì)算候選條目相關(guān)性，盡管點(diǎn)積的計(jì)算成本相對(duì)較低，但需要針對(duì)數(shù)據(jù)庫(kù)中的每個(gè)嵌入向量各計(jì)算一次，計(jì)算量會(huì)隨數(shù)據(jù)庫(kù)的大小呈線性增長(zhǎng)，因此很快便會(huì)喪失計(jì)算可行性。因此，快速最近鄰搜索 (NNS) 算法對(duì)于提高推薦系統(tǒng)的性能而言至關(guān)重要。

這正是 ScaNN 的價(jià)值所在。ScaNN 是由 Google Research 提供的最先進(jìn) NNS 庫(kù)。它明顯優(yōu)于其他標(biāo)準(zhǔn)水平的 NNS 庫(kù)。此外，它可與 TensorFlow Recommenders 無(wú)縫集成。如下所示，ScaNNKeras 層可無(wú)縫取代暴力檢索粗排：

ScaNN https://tensorflow.google.cn/recommenders/api_docs/python/tfrs/layers/factorized_top_k/ScaNN

由于是 Keras 層，因此 ScaNN 索引會(huì)序列化并自動(dòng)與 TensorFlow Recommenders 模型的其余部分保持同步。另外，也不需要在模型和 ScaNN 之間來(lái)回傳送請(qǐng)求，因?yàn)樗袃?nèi)容都已搭配好。隨著 NNS 算法的改進(jìn)，ScaNN 的效率只會(huì)不斷提高并進(jìn)一步優(yōu)化檢索準(zhǔn)確率和延遲。

ScaNN 可以將大型檢索模型提速 10 倍以上，同時(shí)仍能提供與暴力矢量檢索幾乎相同的檢索準(zhǔn)確率

我們相信，ScaNN 的功能將在部署最先進(jìn)的深度檢索模型方面帶來(lái)巨大的變革，使其更為便利。如果您有興趣深入了解如何構(gòu)建和應(yīng)用基于 ScaNN 的模型，請(qǐng)查看我們的教程。

教程 https://tensorflow.google.cn/recommenders/examples/efficient_serving

Deep & Cross Network

對(duì)于許多預(yù)測(cè)模型而言，有效的特征交叉都是成功的關(guān)鍵。設(shè)想我們正在構(gòu)建一個(gè)基于用戶過(guò)往購(gòu)買歷史記錄來(lái)銷售攪拌機(jī)的推薦系統(tǒng)。諸如香蕉和食譜購(gòu)買數(shù)量一類的單個(gè)特征能夠?yàn)槲覀兲峁┮恍┡c用戶意愿有關(guān)的信息，但將同時(shí)購(gòu)買了香蕉和食譜這兩項(xiàng)特征相結(jié)合，我們就得到了一個(gè)極為強(qiáng)烈的信號(hào)，表明用戶可能想要購(gòu)買攪拌機(jī)。特征的這種組合即稱為特征交叉。

在大規(guī)模互聯(lián)網(wǎng)應(yīng)用中，數(shù)據(jù)大多是類別型的，這導(dǎo)致特征空間龐大而稀疏。要在這種背景下確定有效的特征交叉，通常需要進(jìn)行人工特征工程或窮舉搜索。傳統(tǒng)的前饋多層感知器 (MLP) 模型是通用的函數(shù)逼近器。但是，正如 Deep & Cross Network 和 Latent Cross 兩篇論文中指出的那樣，它們甚至無(wú)法有效地逼近二階或三階特征交叉。

Deep & Cross Network https://arxiv.org/pdf/2008.13535.pdf

Latent Cross https://static.googleusercontent.com/media/research.google.com/en//pubs/archive/18fa88ad519f25dc4860567e19ab00beff3f01cb.pdf

什么是 Deep & Cross Network (DCN)？

DCN 旨在幫助更加有效地學(xué)習(xí)顯式和有限階交叉特征。它們始于輸入層（通常是嵌入向量層），然后是對(duì)顯式特征交互建模的交叉網(wǎng)絡(luò)，最后是對(duì)隱式特征交互建模的深度網(wǎng)絡(luò)。

交叉網(wǎng)絡(luò)

這是 DCN 的核心。它會(huì)在每個(gè)層上顯式應(yīng)用特征交叉，最高多項(xiàng)式次數(shù)（特征交叉階數(shù)）隨著層深度的增加而提高。下圖顯示了第 (i+1) 個(gè)交叉層。

交叉層呈現(xiàn)效果。x0 為基礎(chǔ)層（通常設(shè)置為嵌入向量層），xi 為交叉層的輸入，☉ 表示逐元素相乘，矩陣 W 和向量 b 為要學(xué)習(xí)的參數(shù)

只有一個(gè)交叉層時(shí)，將在輸入特征之間創(chuàng)建二階（成對(duì)）特征交叉。在上文的攪拌機(jī)示例中，交叉層的輸入將為串聯(lián)三項(xiàng)特征的向量：[country, purchased_bananas, purchased_cookbooks]。然后，輸出的第一維將包含國(guó)家/地區(qū)與所有三項(xiàng)輸入特征之間成對(duì)交互的加權(quán)和，第二維將包含 purchased_bananas與其他所有特征的加權(quán)交互，以此類推。

這些交互項(xiàng)的權(quán)重構(gòu)成了矩陣 W：如果交互重要性低，則其權(quán)重將接近于零；如果重要性高，則將遠(yuǎn)離零。

要?jiǎng)?chuàng)建更高階的特征交叉，我們可以堆疊更多的交叉層。例如，我們現(xiàn)在知道單個(gè)交叉層會(huì)輸出二階特征交叉，例如 purchased_bananas 與 purchased_cookbook 之間的交互。我們可以將這些二階交叉進(jìn)一步傳遞至另一個(gè)交叉層。然后，特征交叉部分會(huì)將那些二階交叉與原始（一階）特征相乘，從而創(chuàng)建三階特征交叉，例如，國(guó)家/地區(qū)、purchased_bananas和 purchased_cookbooks 之間的交互。剩余連接將繼續(xù)作用于在上一層中已經(jīng)創(chuàng)建的那些特征交叉。

如果我們將 k個(gè)交叉層堆疊在一起，那么 k 層交叉網(wǎng)絡(luò)將創(chuàng)建高達(dá) k+1 階的所有特征交叉，其重要性由權(quán)重矩陣和偏差向量中的參數(shù)來(lái)表征。

深度網(wǎng)絡(luò)

Deep & Cross Network 中的深度網(wǎng)絡(luò)部分是傳統(tǒng)的前饋多層感知器 (MLP)。

然后，將深度網(wǎng)絡(luò)和交叉網(wǎng)絡(luò)進(jìn)行組合便構(gòu)成了 DCN。通常，我們可以在交叉網(wǎng)絡(luò)頂部堆疊深度網(wǎng)絡(luò)（堆疊結(jié)構(gòu)）；我們也可以將其并行放置（并行結(jié)構(gòu)）。

Deep & Cross Network (DCN) 呈現(xiàn)效果。左：并行結(jié)構(gòu)；右：堆疊結(jié)構(gòu)

DCN https://arxiv.org/pdf/2008.13535.pdf

模型理解

充分理解學(xué)習(xí)的特征交叉有助于提高模型的可理解性。幸運(yùn)的是，交叉層中的權(quán)重矩陣揭示了模型所學(xué)特征交叉的重要性水平。

以向客戶銷售攪拌機(jī)為例。如果同時(shí)購(gòu)買了香蕉和食譜是數(shù)據(jù)中最具預(yù)測(cè)性的信號(hào)，則 DCN 模型應(yīng)能捕獲這種關(guān)系。下圖展示了包含一個(gè)交叉層的 DCN 模型的學(xué)習(xí)矩陣，該模型基于合成數(shù)據(jù)訓(xùn)練，其中聯(lián)合購(gòu)買特征的重要性最高。我們看到，在沒(méi)有應(yīng)用任何人工特征工程的情況下，模型自身已經(jīng)學(xué)習(xí)“purchased_bananas”和“purchased_cookbooks”之間的交互具有很高的重要性。

交叉層中學(xué)習(xí)的權(quán)重矩陣

TensorFlow Recommenders 中現(xiàn)已實(shí)現(xiàn)交叉層，您可以輕松地將其用作模型的構(gòu)建塊。要了解操作方法，請(qǐng)查看我們的教程以獲取示例用法和實(shí)際課程。如果您有興趣深入了解更多內(nèi)容，請(qǐng)參閱我們的研究論文 DCN 和 DCN v2。

實(shí)現(xiàn)交叉層 https://tensorflow.google.cn/recommenders/api_docs/python/tfrs/layers/dcn/Cross

教程 https://tensorflow.google.cn/recommenders/examples/dcn

DCN https://arxiv.org/pdf/1708.05123.pdf

DCN v2 https://arxiv.org/pdf/2008.13535.pdf

致謝

我們要特別感謝 Derek Zhiyuan Cheng、Sagar Jain、Shirley Zhe Chen、Dong Lin、Lichan Hong、Ed H. Chi、Bin Fu、Gang (Thomas) Fu 和 Mingliang Wang 對(duì) Deep & Cross Network (DCN) 所做的重要貢獻(xiàn)。我們還要感謝在從研究構(gòu)想到生產(chǎn)化的各個(gè)環(huán)節(jié)中，

為 DCN 工作提供幫助和支持的所有人士：Shawn Andrews、Sugato Basu、Jakob Bauer、Nick Bridle、Gianni Campion、Jilin Chen、Ting Chen、James Chen、Tianshuo Deng、Evan Ettinger、Eu-Jin Goh、Vidur Goyal、Julian Grady、Gary Holt、Samuel Ieong、Asif Islam、Tom Jablin、Jarrod Kahn、Duo Li、Yang Li、Albert Liang、Wenjing Ma、Aniruddh Nath、Todd Phillips、Ardian Poernomo、Kevin Regan、Olcay Sertel、Anusha Sriraman、Myles Sussman、Zhenyu Tan、Jiaxi Tang、Yayang Tian、Jason Trader、Tatiana Veremeenko、Jingjing Wang、Li Wei、Cliff Young、Shuying Zhang、Jie (Jerry) Zhang、Jinyin Zhang、Zhe Zhao 以及更多參與人士（按字母順序排序）。

我們還要感謝 David Simcha、Erik Lindgren、Felix Chern、Nathan Cordeiro、Ruiqi Guo、Sanjiv Kumar、Sebastian Claici 和 Zonglin Li 對(duì) ScaNN 所做的貢獻(xiàn)。

責(zé)任編輯：xj

原文標(biāo)題：TensorFlow Recommenders 迎來(lái)更新 — 可擴(kuò)展檢索和特征交互建模

文章出處：【微信公眾號(hào)：TensorFlow】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。