深入浅出推荐系统（八）：排序：目标引领方向

如果非要在推荐系统里找出机器学习最能大展拳脚的领域，那一定是排序部分。同属于推荐系统的召回和重排序，其算法基本上都可以用规则或者策略的方式平替，虽然效果不一定好，但可以支撑业务的正常运转。然而对于排序这一部分，可以说就是天然为了模型而生的，只有模型化的排序，才可能为广告系统和排序系统带来大的收益。

由于排序模型在推荐和广告领域有着举足轻重的地位。本章里，我们不谈具体排序方法，先从整体对排序模型进行概要了解。

排序模型的重要性

为什么排序如此重要？在广告系统中，早期排序是完全面向点击率的。按点击付费的广告，哪怕提升百分之一的点击率，都会带来大量真金白银。一次用户请求中带过来的广告位，通常只有一个（最多三个），为有限的资源位筛选出最可能带来点击的广告，是广告系统的重中之重。因此，早期广告领域的模型工程师，基本都在孜孜不倦地研究如何在排序系统中不断提升点击率。而推荐系统其实是对广告系统的沿袭，虽然推荐系统返回结果要远多于广告系统（通常有十几到几十条条），但头几条内容的作用仍然举足轻重。尤其是对新用户来说，能否吸引用户持续消费，成败可谓在此一举。

我们在最早的文章里，介绍过推荐系统线上推荐的流程：召回阶段会将全库数据精简到几十到几百个，再由排序模型进行排序，接着会根据业务逻辑重排序，最终将截断的结果呈现给用户。如果召回阶段返回了几百上千个物品，而排序性能不足以在短时间内完成，那么中间还会插入粗排模型，一般粗排模型可以看作是精排模型的精简版，或使用更少的特征，或使用更浅的网络，总之，保证系统在极短时间内能快速排完并截断，然后将结果送给精排模型。
后面的几章，笔者会介绍若干工业实践中常用的排序模型。如无特殊说明，我们所指的排序，都是指精排。

排序模型的目标

点击率排序

明确排序模型的目标之前，我们先了解下排序模型属于哪种机器学习任务。通常来说，有标签指导的主流机器学习模型大致分为两类：分类任务和回归任务（提一句，近些年兴起的强化学习并不在其中，算是第三类）。其中，分类任务是针对离散值，预测样本属于哪个或哪几个标签，常见场景如图片分类、商品类别识别、文章情感识别等；而回归任务则是针对连续值，预测样本的输出值，常见场景如房价预测、票房预测、外卖时间预估等。

那么排序模型属于哪种任务呢？既然是模型用于排序，那自然需要排序标准。业界最为常用的标准便是点击率（CTR），因此通常称排序模型为CTR模型。CTR模型以当前用户对于当前物品点击和未点击来设计目标，因此，排序模型便可看作是二元分类模型。在早期，逻辑回归模型（Logistics Regression，LR）被应用于来训练点击率指标----逻辑回归虽名为回归，其实属于分类任务。它在训练时使用二元分类目标，预测时则输出点击的概率，从而根据概率来排序项目。

多目标排序

广告的收益取决于点击和单次广告出价。因此点击率高，就意味着收益的水涨船高。但对于推荐系统来说，仅考虑点击率，则会带来较多问题。比如发布者使用美女图，或UC震惊体来诱导点击，等。一般情况下，推荐系统希望在提升用户点击率的基础上，同时提高用户的关注、点赞、评论等交互行为，从而维护良好的社区氛围。即使对于广告，只关注点击，而不关心转化，则给平台带来收益的同时，伤害的是广告主的利益。因此，多目标学习（Multi-task）这种“既要又要”的诉求，会大量存在于广告和推荐系里。

广告领域里，重排阶段广告最终排序的公式是：$ecpm=pct{r}^k\ast bid$，其中，pctr是预估CTR，由精排模型给出，bid是广告主出价。这个公式可以看作多目标任务的简单实现。它同时考虑了广告质量（CTR）和价格（bid）。公式中，k是价格挤压因子，通过对k的调节，增大或缩小排序公式中CTR部分的重要度。当k趋近于无穷时，相当于只根据点击率来排序；k为0时，相当于只根据bid来排序。根据不同时期业务需求，通过k来调整广告的排序目标：对广告质量有较高要求时，则增大CTR的比重；月底或季度底，需要对广告预算冲消费时，则减小CTR的比重。

上面这种方式其实就是多目标调和的方式，但它只是最简单的一种思路。实际上，如何更合理、更深度地融合多目标，是工业界，也是学术界对于排序研究的一个主流方向。其思路可大体分为两类：线上多目标融合和线下的多任务学习。

• 线上多目标融合：
  线上多目标融合是把融合的时机放在模型预测之后。线下先按照目标各自训练模型，线上每个模型分别预测打分，乘以各自权重，继而进行加和或乘积汇总。通常采用如下公式：

  y=∑i=1kbi∗(ai+yi)y=∏i=1k(ai+yi)bi \begin{align} y = \sum_{i = 1}^{k}{b_i * (a_i + y_i)} \\ y = \prod_{i=1}^{k}{(a_i+y_i)^{b_i}} \end{align} y=i=1∑k​bi​∗(a