如何將神經(jīng)網(wǎng)絡用于推薦系統(tǒng)應用

深度學習（ Deep learning ， DL ）是解決計算機視覺或自然語言等機器學習問題的最新方法，它的性能優(yōu)于其它方法。最近的趨勢包括將 DL 技術應用于推薦引擎。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。

最近， NVIDIA 和 RAPIDS 。 AI 團隊與 DL 贏得了三場比賽： VZX1 、 信號和日期挑戰(zhàn) 和 ACM WSDM2021 Booking 。 com 挑戰(zhàn)賽 。

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

DL 推薦系統(tǒng)的優(yōu)點

有許多不同的技術來設計推薦系統(tǒng)，例如關聯(lián)規(guī)則、基于內容或協(xié)同過濾、矩陣分解或訓練線性或基于樹的模型來預測交互可能性。

使用神經(jīng)網(wǎng)絡的優(yōu)點是什么？一般來說， 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)的機器學習技術需要更多的數(shù)據(jù)。但是，當您增加神經(jīng)網(wǎng)絡的容量時，該模型可以使用更多的數(shù)據(jù)來提高性能。

第二，神經(jīng)網(wǎng)絡的設計是靈活的。例如，您可以針對多個目標（多任務學習）訓練 DL 模型，例如“用戶是否將項目添加到購物車中？”、“使用項目開始結賬？”、或“購買項目？”。每個目標都有助于模型從數(shù)據(jù)中提取信息，并且目標可以相互支持。

其他設計方法包括向推薦模型中添加多模態(tài)數(shù)據(jù)。您可以通過使用卷積神經(jīng)網(wǎng)絡處理產(chǎn)品圖像或使用 NLP 模型處理產(chǎn)品描述來實現(xiàn)這一點。神經(jīng)網(wǎng)絡應用于許多領域。您可以將新開發(fā)（如優(yōu)化器或新層）轉移到推薦系統(tǒng)。

最后， DL 框架經(jīng)過了高度優(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)設計神經(jīng)網(wǎng)絡。

基本構造塊：嵌入層

嵌入層用密集向量表示類別。這種技術在自然語言處理中非常流行，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應用于推薦系統(tǒng)。最簡單的推薦系統(tǒng)是基于用戶和項目的：您應該向用戶推薦哪些項目？您有用戶 ID 和項目 ID 。單詞是 users 和 items ，因此使用兩個嵌入表（圖 1 ）。

圖 1 。嵌入維度為 4 的表

計算用戶嵌入和項目嵌入之間的點積，得到最終分數(shù)，即用戶與項目交互的可能性。最后一步可以應用 sigmoid 激活函數(shù)將輸出轉換為 0 到 1 之間的概率。

圖 2 。具有兩個嵌入表和點積輸出的神經(jīng)網(wǎng)絡

該方法等價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)絡的性能是基于具有多個非線性層的深層結構。通過將嵌入層的輸出通過多個具有 ReLU 激活的完全連接層提供，可以擴展先前的模型。

一個設計選擇是如何組合兩個嵌入向量。您可以僅串聯(lián)嵌入向量，也可以將向量逐元素相乘，類似于點積。輸出之后是多個隱藏層。

圖 3 。具有兩個嵌入表和多個完全連接層的神經(jīng)網(wǎng)絡

向神經(jīng)網(wǎng)絡中添加元數(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?？梢垣@得更多的信息。其他用戶信息可以是性別、年齡、城市（地址）、自上次訪問以來的時間或用于支付的信用卡。一件商品通常有一個品牌、價格、類別或在過去 7 天內售出的數(shù)量。這些信息有助于模型更好地推廣。修改神經(jīng)網(wǎng)絡以使用附加特征作為輸入。

圖 4 。具有元信息和多個完全連接層的神經(jīng)網(wǎng)絡

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)絡結構的主要組成部分。在這篇文章中，我將從 2016 年開始報道谷歌的廣度和深度，從 2019 年開始報道 Facebook 的 DLRM 。

谷歌的廣度和深度

谷歌的廣度和深度包含兩個部分：

記憶共同特征組合的寬塔

用來概括罕見或未觀察到的特征組合的深塔

創(chuàng)新之處在于，這兩個組件同時訓練，這是可能的，因為神經(jīng)網(wǎng)絡是靈活的。深塔通過嵌入層提供分類特征，并將輸出與數(shù)字輸入特征連接起來。級聯(lián)向量通過多個完全連接的層饋送。

你聽上去熟悉嗎？是的，那是你以前的神經(jīng)網(wǎng)絡設計。新的組成部分是寬塔，它只是輸入特征的線性組合，具有類似的線性/邏輯回歸。每個塔的輸出相加，得到最終的預測值。

Facebook 的 DLRM

Facebook 的 DLRM 與帶有元數(shù)據(jù)的神經(jīng)網(wǎng)絡結構類似，但有一些特定的差異。數(shù)據(jù)集可以包含多個分類特征。 DLRM 要求所有的分類輸入都通過一個具有相同維數(shù)的嵌入層。稍后，我將討論這一點的重要性。

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

DLRM 使用了一個新的組合層。它在所有嵌入向量對和底部 MLP 輸出之間應用按元素相乘。這就是為什么每個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 。左側顯示廣度和深度架構，右側顯示 DLRM 架構。

基于會話的推薦系統(tǒng)

當我為推薦系統(tǒng)分析不同的基于 DL 的體系結構時，我假設輸入具有表格數(shù)據(jù)結構，而忽略了用戶交互的本質。但是，用戶在訪問網(wǎng)站時，在一個會話中有多個交互。例如，他們訪問一家商店并查看多個產(chǎn)品頁面。您可以使用用戶交互序列作為輸入來提取模式嗎？

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

謝天謝地，您可以將 NLP 中的一些技術應用于推薦系統(tǒng)域。用戶的交互具有順序結構。

圖 6 ?；跁挼纳窠?jīng)網(wǎng)絡體系結構

序列可以通過使用遞歸神經(jīng)網(wǎng)絡（ RNN ）或基于變壓器的結構作為序列層來處理。用嵌入向量表示項目 ID ，并通過序列層提供輸出。序列層的隱藏表示可以添加為深度學習體系結構的輸入。

其他選擇

當我把這篇文章的重點放在將 DL 應用于推薦系統(tǒng)的理論上時，我沒有涉及到很多其他的挑戰(zhàn)。我在這里簡要介紹一下，以提供一個起點：

嵌入表可以超過 CPU 或 GPU 內存。由于在線服務可能有數(shù)百萬用戶，嵌入表可以達到數(shù)兆字節(jié)。 NVIDIA 提供了 HugeCTR 框架，可以將嵌入表擴展到 CPU 或 GPU 內存之外。

在培訓期間最大限度地利用 GPU ?；?DL 的推薦系統(tǒng)有一個淺層的網(wǎng)絡結構，只有幾個完全連接的層。數(shù)據(jù)加載器有時是訓練管道中的瓶頸。為了抵消這一點， NVIDIA 為 PyTorch 和 TensorFlow 開發(fā)了一個 高度優(yōu)化的 GPU 數(shù)據(jù)加載器 。

生成建議需要對用戶項對進行評分。最壞的情況是預測所有可用產(chǎn)品的可能性，并選擇最佳產(chǎn)品。在實踐中，這是不可行的，候選人產(chǎn)生了一個低開銷的模型，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輸入的基本矩陣分解，然后介紹了使用 transformer 層的最新基于會話的體系結構。

您可以使用遞歸神經(jīng)網(wǎng)絡（ RNN ）或基于轉換器的體系結構作為序列層來處理序列。用嵌入向量表示項目 ID ，并通過序列層提供輸出。添加序列層的隱藏表示作為 DL 架構的輸入。

關于作者

Benedikt Schifferer 是 NVIDIA 的深度學習工程師，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的數(shù)據(jù)科學碩士，并為德國電子商務公司開發(fā)了推薦系統(tǒng)。

審核編輯：郭婷