機(jī)器學(xué)習(xí)算法那家強(qiáng) 因子分解機(jī)（FM算法）工業(yè)落地能力最強(qiáng)

文 | 石塔西

源 | 夕小瑤的賣萌屋

盡管BERT為代表的預(yù)訓(xùn)練模型大肆流行，但是身處工業(yè)界才會知道它落地有多難，尤其是QPS動(dòng)輒幾百的在線推薦、搜索系統(tǒng)，哪怕在大廠也很難在線上系統(tǒng)見到它們。

今天就想反其道而行之，談?wù)劰I(yè)界搜索、推薦、廣告這類核心場景中落地能力最強(qiáng)的算法（之一）：因子分解機(jī)（FM）。我不敢說它是最簡單的（FM的確很簡單），但是作為一個(gè)推薦算法調(diào)參工程師，掌握FM一定是性價(jià)比最高的。我推崇FM算法的原因，有以下三點(diǎn)：

功能齊全

眾所周知，推薦算法有三個(gè)應(yīng)用領(lǐng)域：召回、粗排、精排。推薦算法千千萬，但是有的算法只能用于召回，有的算法只能用于排序。像FM這樣實(shí)現(xiàn)三個(gè)領(lǐng)域全覆蓋的多面手，目前為止，孤陋寡聞的我尚不知道有第二個(gè)。但是需要強(qiáng)調(diào)的是，我們不能只訓(xùn)練一個(gè)FM排序模型 ，然后直接拿這個(gè)排序模型用于召回。盡管都是基于FM算法，但是FM召回與排序，有以下不同：

使用的特征不同

FM召回，由于未來要依賴Faiss進(jìn)行線上檢索，所以不能使用user與doc的交叉特征。只有如此，我們才能獨(dú)立計(jì)算user embedding與doc embedding

FM排序，則沒有這方面的限制，可以使用user與doc的交叉特征。是的，你沒看錯(cuò)。因?yàn)镕M所實(shí)現(xiàn)自動(dòng)二階交叉，僅能代表“共現(xiàn)”。但是user與doc之間還有其他形式的交叉，比如user tag與doc tag之間的重合度，喂入這樣的交叉，對于排序性能提升，仍然有很大幫助。

使用的樣本不同

訓(xùn)練FM做排序時(shí)，必須使用“曝光未點(diǎn)擊”這樣的“真負(fù)”樣本。

訓(xùn)練FM做召回時(shí)，起碼不能只使用“曝光未點(diǎn)擊”做負(fù)樣本。大部分的負(fù)樣本必須通過隨機(jī)采樣得到。個(gè)中原因見我的文章《負(fù)樣本為王：評Facebook的向量化召回算法》。

使用的Loss不同

FM排序時(shí)，由于負(fù)樣本是真實(shí)的，可以采用CTR預(yù)估那樣的point-wise loss

FM召回時(shí)，由于負(fù)樣本是隨機(jī)采樣得到的，存在一定的噪聲，最好采用BPR, hinge這樣的pair-wise loss。

性能優(yōu)異

推薦系統(tǒng)的兩大永恒主題，“記憶”與“擴(kuò)展”，F(xiàn)M也能實(shí)現(xiàn)全覆蓋。

FM存在一階項(xiàng)，實(shí)際就是LR，能夠“記憶”高頻、常見模式

FM存在feature embedding。如我在《無中生有：論推薦算法中的Embedding思想》據(jù)說，Embedding是提升推薦算法“擴(kuò)展性”的法寶。FM通過feature embedding，能夠自動(dòng)挖掘低頻、長尾模式。在這一點(diǎn)上，基于embedding的二階交叉，并不比DNN的高階交叉，遜色多少。

便于上線

現(xiàn)在深度學(xué)習(xí)是推薦領(lǐng)域的寵兒，LR/FM/GBDT這樣的傳統(tǒng)機(jī)器學(xué)習(xí)算法，不招人待見。

DNN雖然性能優(yōu)異，但是它有一個(gè)致命缺點(diǎn)，就是上線困難。訓(xùn)練的時(shí)候，各位調(diào)參俠，把各種酷炫的結(jié)構(gòu)，什么attention, transformer, capsule，能加上的都給它加上，看著離線指標(biāo)一路上漲，心里和臉上都樂開了花，卻全然無視旁邊的后端工程師恨得咬緊了牙根。模型越復(fù)雜，離線和線上指標(biāo)未必就更好，但是線上的時(shí)間開銷肯定會增加，輕則影響算法與后端的同事關(guān)系（打工人何苦為難打工人），重則你那離線指標(biāo)完美的模型壓根沒有上線的機(jī)會。雖說，目前已經(jīng)有TF Serving這樣的線上serving框架，但是它也不是開箱即用的，也需要一系列的性能調(diào)優(yōu)，才能滿足線上的實(shí)時(shí)性要求。

所以，如果你身處一個(gè)小團(tuán)隊(duì)，后端工程人員的技術(shù)能力不強(qiáng)，DNN的線上實(shí)時(shí)預(yù)測，就會成為一個(gè)難題，這個(gè)時(shí)候，F(xiàn)M這樣的傳統(tǒng)機(jī)器學(xué)習(xí)算法，就凸顯出其優(yōu)勢。

FM排序，雖然理論上需要所有特征進(jìn)行二階交叉，但是通過公式化簡，可以在 O(n)的時(shí)間復(fù)雜度下完成。n是樣本中非零的特征數(shù)目，由于推薦系統(tǒng)中的特征非常稀疏，所以預(yù)測速度是非?？斓?。

召回，由于候選集巨大，對于實(shí)時(shí)性的要求更高。很多基于DNN的召回算法，由于無法滿足線上實(shí)時(shí)生成user embedding的需求，只能退而離線生成user embedding ，對于用戶實(shí)時(shí)興趣的捕捉大打折扣。FM召回，這時(shí)就顯現(xiàn)其巨大的優(yōu)勢。事先把doc embedding計(jì)算好，存入Faiss建立索引，user embedding只需要把一系列的feature embedding相加就可以得到，再去faiss中進(jìn)行top-k近鄰搜索。FM召回，可以實(shí)現(xiàn)基于用戶最新的實(shí)時(shí)興趣，從千萬量級候選doc中完成實(shí)時(shí)召回。

總結(jié)與參考

由于以上優(yōu)點(diǎn)，我心目中，將FM視為推薦、搜索領(lǐng)域的"瑞士軍刀"。風(fēng)頭上雖然不及DNN那么搶眼，但是論在推薦系統(tǒng)中發(fā)揮的作用，絲毫不比DNN遜色，有時(shí)還能更勝一籌。FM有如此眾多的優(yōu)點(diǎn)，優(yōu)秀的調(diào)參俠+打工人，還等什么，還不趕快學(xué)起來。想迅速掌握FM，我推薦如下參考文獻(xiàn)：

掌握FM原理，推薦讀美團(tuán)的博客《深入FFM原理與實(shí)踐》。FFM的部分可以忽略，在我看來，F(xiàn)FM更像是為了Kaggle專門訓(xùn)練的比賽型選手，損失了FM的很多優(yōu)點(diǎn)。這就好比，奧運(yùn)會上的射擊冠軍，未必能夠勝任當(dāng)狙擊手一樣。

FM用于召回，推薦讀《推薦系統(tǒng)召回四模型之：全能的FM模型》。注意，如我所述，F(xiàn)M雖然萬能，但是FM排序與FM召回，在特征、樣本、Loss都存在不同，不可能訓(xùn)練一個(gè)FM排序就能直接拿來做召回。這一點(diǎn)，《全能FM》一文沒有提到，需要讀者特別注意。

如果想親手實(shí)踐，可以嘗試alphaFM。該項(xiàng)目只不過是作者八小時(shí)之外的課外作品，卻被很多公司拿來投入線上實(shí)際生產(chǎn)環(huán)境，足見該項(xiàng)目性能之優(yōu)異和作者功力之深厚，令人佩服。強(qiáng)烈建議不滿足只當(dāng)“調(diào)參俠”的同學(xué)，通讀一遍alphaFM的源代碼，一定收獲滿滿。

[1] https://zhuanlan.zhihu.com/p/165064102

[2] https://zhuanlan.zhihu.com/p/320196402

[3] https://link.zhihu.com/?target=https%3A//tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html

[4] https://zhuanlan.zhihu.com/p/58160982

[5] https://link.zhihu.com/?target=https%3A//github.com/CastellanZhang/alphaFM

原文標(biāo)題：談?wù)劰I(yè)界落地能力最強(qiáng)的機(jī)器學(xué)習(xí)算法

文章出處：【微信公眾號：深度學(xué)習(xí)自然語言處理】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。