Question

1. 有些电商推荐系统、新闻网站、媒体网站不会跟踪用户 ID 。虽然 cookie 和浏览器指纹技术可以提供一些程度上的用户识别，但是这些技术通常不可靠并且容易引发隐私问题。即使可以跟踪用户 ID，但是用户在一些小型电商网站上可能只有一两个会话session，并且在某些领域（如分类网站classified site）中，用户的行为通常表现出session-based的特征。因此，同一个用户的每个会话应该独立地处理。

   在中国的互联网早期，存在大量的、可以匿名访问的网站或 APP，因此不会跟踪用户 ID 。随着移动互联网浪潮的兴起，中国互联网大多数网站或 APP 需要登录才能访问，典型的例子是淘宝，因此可以跟踪到用户 ID。即使能够跟踪到用户 ID，我们也无法保证操作手机的是同一个用户。

   目前大多数电商的session-based的推荐系统都使用相对简单的方法，如 item-to-item 相似性、item 共现、转移概率等等。虽然有效，但是这些方法仅考虑用户的最后一次行为，而忽略了用户的历史行为。

   此外，推荐系统中最常用的是因子模型 factor model 和邻域方法 neighborhood method。

   • 因子模型将稀疏的 user-item 交互矩阵分解为一组$d$$ d $ 维潜在因子向量，然后根据 user 潜在因子向量和 item 潜在因子向量来完成矩阵补全问题（例如用潜在因子向量的内积）。由于无法跟踪用户 ID （导致无法获取用户历史交互的 item ），所以因子模型很难应用于session-based的推荐。
   • 邻域方法依赖于会话内的 item 共现，因此被广泛应用于 session-based 推荐中。

   RNN 在翻译、对话建模、图像标注image captioning 等领域取得了显著成功，但是很少有人将其用于推荐领域。在论文 《Session-Based Recommendations With Recurrent Neural Networks》 中，作者认为 RNN 可以应用于 session-based 推荐并取得了显著效果。作者处理了在建模这类稀疏序列数据进行时出现的问题，并通过引入适当的、新的 ranking loss function 来使得 RNN 模型适应推荐 setting 。

   session-based 推荐问题在建模方面与一些 NLP-related 问题相似，比如它们都处理序列数据。在 session-based 推荐中，我们可以将用户在会话中的第一个交互 item 作为 RNN 的初始输入，然后我们根据这个初始输入来 query 模型从而获得推荐。然后，用户的每次后续交互都会产生一个推荐，这个推荐取决于所有先前的、同一个会话内的交互。 item 集合可能是数万甚至数十万，另外交互行为可能非常频繁，因此训练时间和可扩展性非常重要。

   和大多数信息检索和推荐 setting 一样，论文主要关注于建模用户最感兴趣的 top item ，为此论文使用 ranking loss function 来训练 RNN。

2. 相关工作：

   • session-based 推荐：推荐系统领域的大部分工作都集中在当 user ID 可用并且可以获取用户画像时的模型上。这种情况下，矩阵分解模型、邻域模型在文献中占据主导地位。session-based 推荐中采用的主要方法之一是 item-to-item 推荐，此时 item-to-item 相似度矩阵是从可用的会话数据中预计算而来，也就是说，在同一个会话中共现的 item 被认为是相似的。这种方法虽然简单但是已被证明有效，并被广泛采用。但是，该方法仅考虑用户的最近一次行为，忽略了用户历史行为信息。

     session-based 推荐的另一个稍微不同的方法是马尔科夫决策过程 Markov Decision Processes: MDP。MDP 是序列随机决策问题的模型，最简单的 MDP 本质上是一阶马尔科夫链，其中 next 推荐可以简单地根据 item 之间的转移概率来计算。 在 session-based 推荐中应用马尔科夫链的主要问题是：当试图包含所有可能的用户行为序列时，状态空间很快变得无法管理。

     通用分解框架 General Factorization Framework: GFM 的扩展版本能够使用会话数据来推荐。该方法通过事件event 的 sum 来建模会话，并对 item 使用两种潜在 representation ：一种代表 item 本身、另一种代表 item 是会话的一部分。然后将会话中所有 item 的第二种 representation 取平均从而作为会话的 representation 。但是，该方法不考虑会话中的行为顺序。

   • 推荐系统中的深度学习：在推荐系统中最早应用深度学习的相关方法之一是 《Restricted boltzmann machines for collaborative filtering》，它使用 RBM 来对 user-item 交互进行建模并执行推荐。此外，深度模型也用于从音乐或图像等非结构化内容中提取特征，然后与更传统的协同过滤模型一起使用，如 《Deep content-based music recommendation》。最近，《Collaborative deep learning for recommender systems》 引入了一种更通用的方法，该方法使用深度网络从任何类型的 item 中抽取通用的内容特征，然后将这些特征集成到标准的协同过滤中从而提高推荐性能。这些方法在缺乏足够 user-item 交互的 setting 中特别有用 。

2.1 模型

2.1.1 模型

1. 标准的 RNN：

   $${\overrightarrow{\mathbf{h}}}_t=g(\mathbf{W}{\overrightarrow{\mathbf{x}}}_t+\mathbf{U}{\overrightarrow{\mathbf{h}}}_{t-1})$$

   其中：${\overrightarrow{\mathbf{x}}}_t$$ \mathbf{\vec x}_t $ 为$t$$ t $ 时刻的输入，${\overrightarrow{\mathbf{h}}}_t$$ \mathbf{\vec h}_t $ 为$t$$ t $ 时刻的隐状态 hidden state，$\mathbf{W}$$ \mathbf W $ 和$\mathbf{U}$$ \mathbf U $ 为待学习的权重矩阵，$g(\cdot )$$ g(\cdot) $ 为一个平滑有界的函数（如 sigmoid 函数）。

   Gated Recurrent Unit: GRU 是一个更精细的 RNN 模型，旨在处理梯度消失问题。GRU gates 本质上是学习何时更新单元的隐状态、以及更新多少：

   $$\begin{array}{c}{\overrightarrow{\mathbf{z}}}_t=\sigma ({\mathbf{W}}_z{\overrightarrow{\mathbf{x}}}_t+{\mathbf{U}}_z{\overrightarrow{\mathbf{h}}}_{t-1})\\ {\overrightarrow{\mathbf{r}}}_t=\sigma ({\mathbf{W}}_r{\overrightarrow{\mathbf{x}}}_t+{\mathbf{U}}_r{\overrightarrow{\mathbf{h}}}_{t-1})\\ {\widehat{\overrightarrow{\mathbf{h}}}}_t=\tanh (\mathbf{W}{\overrightarrow{\mathbf{x}}}_t+\mathbf{U}({\overrightarrow{\mathbf{r}}}_t\odot {\overrightarrow{\mathbf{h}}}_{t-1}))\\ {\overrightarrow{\mathbf{h}}}_t=(1-{\overrightarrow{\mathbf{z}}}_t)\odot {\overrightarrow{\mathbf{h}}}_{t-1}+{\overrightarrow{\mathbf{z}}}_t\odot {\widehat{\overrightarrow{\mathbf{h}}}}_t\end{array}$$

   其中：$\odot$$ \odot $ 为逐元素乘积，${\overrightarrow{\mathbf{z}}}_t$$ \mathbf{\vec z}_t $ 为更新门 update gate，${\overrightarrow{\mathbf{r}}}_t$$ \mathbf{\vec r}_t $ 为复位门 reset gate，$\sigma (\cdot )$$ \sigma(\cdot) $ 为sigmoid 激活函数，${\widehat{\overrightarrow{\mathbf{h}}}}_t$$ \hat{\mathbf{\vec h}}_t $ 为候选激活值 candidate activation 。

2. 我们在模型中使用 GRU-based RNN 来进行 session-based 推荐。网络的输入是每个时刻会话的实际状态actual state，输出是会话中下一个事件的 item 。

   • 会话的状态可以是最新的事件（即当前事件）。此时使用 OneHot 编码，即输入向量的长度为$N$$ N $ 并且仅最新事件对应的 item 为 1 而其它位置为 0 ，其中$N$$ N $ 为 item 集合大小。

   • 会话的状态也可以是截止到当前的所有事件（即累计事件）。此时对每个事件的 OneHot 编码进行加权和，权重根据事件发生时刻距离当前时间间隔进行衰减。为了稳定性，我们对输入向量进行归一化。

     我们希望这种累计事件的方式会有所帮助，因为它增强了记忆效应 memory effect。但是实验发现，这种方式并不会带来额外的准确率增益。这毫不奇怪，因为 GRU 像 LSTM 一样，同时具有长期记忆和短期记忆。

   我们尝试添加一个额外的 embedding layer，但是发现 OneHot 编码总是表现得更好。

   如果没有 embedding layer，则${\mathbf{W}}_z,{\mathbf{W}}_r,\mathbf{W}$$ \mathbf W_z, \mathbf W_r,\mathbf W $ 分别充当不同的 embedding 矩阵； 如果添加额外的 embedding layer，则${\mathbf{W}}_z,{\mathbf{W}}_r,\mathbf{W}$$ \mathbf W_z,\mathbf W_r,\mathbf W $ 表示在已有的 embedding 矩阵之上的投影矩阵。

   网络的核心是 GRU layer。可以使用多层 GRU layer，其中前一层的 hidden state 是下一层 的输入。最后一个 GRU layer 和输出层之间添加了额外的前馈层 Feedforward layer （但是实验发现增加这个额外的前馈层对于效果提升没有帮助）。输出是每个 item 在当前会话中成为 next 的可能性。input 层也可以选择连接到网络中更深的 GRU layer，因为我们发现这可以提高性能。

   完整的架构如下图所示，该架构描述了事件时间序列中单个事件的 representation。

   图中包含了 embedding layer 和 feedforward layer，但是根据实验描述，这两个 layer 是无益的，需要移除。

   

2.1.2 调整

1. 由于推荐系统不是 RNN 的主要应用领域，我们修改了基础网络从而更好地适应任务。我们还考虑了实际场景，以便我们的解决方案可以应用于现场环境。

2. session-parallel mini-batch：用于 NLP 任务的 RNN 通常使用 in-sequence mini-batch 。例如，通常在句子的单词上使用滑动窗口，并将这些窗口片段彼此相邻从而形成 mini-batch。这不适合于我们的任务，因为：

   • 首先，会话之间长度的差异非常大（远远大于 NLP 中的句子）。一些会话仅包含一到两个事件，而另一些会话可能包含超过数百个事件。
   • 其次，我们的目标是捕获会话如何随时间的演变，因此将会话分解为片段是没有意义的。

   因此，我们使用 session-parallel mini-batch ，如下图所示。具体而言：

   • 首先，我们将所有会话进行排序。

     注意，这里是以会话为基本单元进行排序，而不是对会话内的事件进行排序。

   • 然后，我们使用前 X 个会话的第一个事件来构成第一个 mini-batch 的输入（所需的输出是这些会话的第二个事件）。第二个mini-batch 是由这些会话的第二个事件形成的，依次类推。

     如果任何一个会话结束了，则下一个可用的会话将填补该结束会话的位置。假设会话之间是相互独立的，因此我们在发生这种会话切换的时候重置对应的 hidden state。

     这种训练方式可以支持任意长度的 session，而无需将 session 进行长度限制（比如截断为固定长度）。

   

3. sampling on the output：当 item 集合规模太大时，在每个 step 计算每个 item 在当前会话中成为 next 的可能性是不现实的。因此我们需要负采样技术。

   我们根据 item 的流行程度进行负采样： item 越流行，那么用户就越可能知道它，那么用户未对该 item 交互则意味着用户更有可能不喜欢该流行 item 。

   我们没有为每个训练样本生成单独的负采样，而是使用来自 mini-batch 的其它训练样本的 item 作为负采样。这种方法的好处是我们可以减少计算时间、降低代码复杂性、并且也易于实现。同时，该方法也是一种基于流行程度的采样，因为一个 item 出现在 mini-batch 中的可能性与其流行程度成正比。

4. ranking loss：推荐系统的核心是 item 的 relevance-based ranking 。尽管该任务也可以解释为分类任务，但是 learning-to-rank 方法通常优于其它方法。ranking 可以是 point-wise、pair-wise、或者 list-wise 的。

   • point-wise ranking 彼此独立地估计 item 的 score 或者 ranking，并且损失函数的定义方式使得相关的 item 的排名应该靠前。
   • pair-wise ranking 比较一个 positive item 和一个 negative item 组成的 ranking pair 对，损失函数强制 positive item 的排名应该比 negative item 的排名更靠前。
   • list-wise ranking 使用所有 item 的 score 或 ranking，并将它们与完美排序进行比较。它通常在计算上代价太大，因此不经常使用。

   此外，如果仅有一个相关的 item（例如我们这里的例子），list-wise ranking 可以通过 pair-wise ranking 来解决。我们在我们的解决方案中包含了几个 point-wise ranking loss 和 pair-wise ranking loss。我们发现模型的 point-wise ranking loss 不太稳定，而 pair-wise ranking loss 表现良好，最终我们使用以下两个 pair-wise ranking loss：

   • BPR：贝叶斯个性化排名Bayesian Personalized Ranking: BPR 是一种矩阵分解方法，它使用 pair-wise ranking loss。它比较一个 positive item 和一个负采样的 negative item 的 score 。这里，我们将 positive item 的 score 和几个负采样的 negative item 的 score 进行比较，并将它们的均值作为损失。具体而言，pair-wise ranking loss 为：

     $${\mathcal{L}}_s(t)=-\frac{1}{K}\times \sum _{j=1}^K\log \left(\sigma ({\hat{r}}_{t,i}-{\hat{r}}_{t,j})\right)$$

     其中：$K$$ K $ 为负采样的数量，$\sigma (\cdot )$$ \sigma(\cdot) $ 为 sigmoid 函数，${\hat{r}}_{t,j}$$ \hat r_{t,j} $ 为会话 s 中$t$$ t $ 时刻在 item$j$$ j $ 上的score，$i$$ i $ 为 positive item，$j$$ j $ 为负采样的 negative item 。

   • TOP1：这个 ranking loss 是我们为这项任务而设计的，它是 relevant item 的相对排名relative rank 的正则化近似。relevant item$i$$ i $ 的相对排名定义为：

     $$\frac{1}{K}\times \sum _{j=1}^K\mathbb{I}\{{\hat{r}}_{t,j}>{\hat{r}}_{t,i}\}$$

     其中$\mathbb{I}(\cdot )$$ \mathbb I(\cdot) $ 为示性函数。我们用 sigmoid 函数来代替示性函数，优化这个相对排名将会修改 parameter 从而使得 item$i$$ i $ 的 score 会很高。

     然而，这个目标函数不稳定，因为某些 positive item 也会扮演负样本角色，因此 score 往往会变得越来越高。

     为避免这种情况，我们希望强制 negative item 的 score 在零左右，这是negative item 的 score 的自然预期。为此，我们在损失函数中添加了一个正则化项。重要的是，这一项与相对排名在同一取值区间并且作用与其相似。最终的损失函数为：

     $${\mathcal{L}}_s(t)=\frac{1}{K}\times \sum _{j=1}^K[\sigma ({\hat{s}}_{t,j}-{\hat{s}}_{t,i})+\sigma \left({\hat{r}}_{t,j}^2\right)]$$

     .

2.2 实验

1. 数据集：

   • RecSys Challenge 2015 数据集（RSC15）：该数据集包含电商网站上的click-streams ，其中某些stream 以购买事件而结束。我们仅保留点击事件，并且过滤掉长度为 1 的会话。我们使用前 6 个月的数据进行训练，使用第二天的会话进行测试。每个会话要么是训练集要么是测试集，我们不会在会话中拆分数据。

     由于协同过滤方法的性质，我们从测试集中过滤掉训练期间 unseen 的 item，并且删除测试集中长度为 1 的会话。

   • VIDEO 数据集：包含某个视频服务平台收集的视频观看事件。预处理步骤如前所述，但是也过滤掉了很长的会话，因为这些会话可能是由机器人生成的。训练数据集包含最后一天除外的所有数据，测试数据集包含最后一天的数据。

2. 评估方式：通过 one-by-one 提供会话的事件并检查下一个事件的 item 排名来完成评估。GRU 的隐状态在会话结束之后重置为零。 item 按照 score 降序排名。

   对于 RSC15数据集，我们对训练集中出现的 37483 个 item 进行排名。对于 VIDEO 数据集，因为 item 集合太大因此我们将 next item 和最流行的 30000 个 item 进行排名。这种评估的影响可以忽略不计，因为冷门的 item 通常 score 很低。此外，基于流行度的预过滤在实际推荐系统中很常见。

   • recall@20：在 top 20 排名的 item 中，召回的 next item 占所有 next item 的比例。

     召回不考虑 item 的实际排名，只要它位于 top N 的位置。这很好地建模了某些实际场景，其中绝对顺序无关紧要。此外，召回率通常还与重要的在线指标密切相关，如点击率 CTR 。

   • MRR@20：Mean Reciprocal Rank: MRR 是 next item 的排名的倒数的均值。如果排名在 20 之后则排名的倒数置为零。

     MRR 考虑 item 的排名，这在推荐顺序很重要的场景下很重要（如排名靠后的 item 仅在滚动屏幕之后才可见）。

3. baseline 方法：

   • POP：流行度的 predictor，它总是推荐训练集中的流行 item 。尽管简单，但是它通常是某些领域的强大 baseline 。

   • S-POP：推荐当前会话中最流行的 item（而不是全局最流行的 item ）。该 baseline 在具有高重复性的领域中很强。

   • Item-KNN：基于 item 相似性来推荐和当前 item 最相似的 item 。相似度定义为

     $$\text{sim}(i,j)=\frac{(i,j)\text{共}\text{现}\text{的}\text{会}\text{话}\text{数}\text{量}}{\sqrt{i\text{出}\text{现}\text{的}\text{会}\text{话}\text{数}\text{量}\times j\text{出}\text{现}\text{的}\text{会}\text{话}\text{数}\text{量}}}$$

     此外，我们还使用正则化从而避免冷门 item 的偶然发生导致的高度相似性。

     该 baseline 是实际系统中最常见的 item-to-item 解决方案之一。尽管简单，它通常也是一个强大的 baseline 。

   • BPR-MF：它通过 SGD 优化 pair-wise ranking 目标函数，是最常用的矩阵分解方法之一。矩阵分解无法直接应用于 session-based 推荐，因为新会话没有预先计算的特征向量。然而，我们可以通过使用会话中出现的 item 的特征向量的均值作为 user 特征向量来克服这个问题。换句话讲，我们对 next item 的特征向量、迄今为止会话中 item 特征向量的相似性进行平均。

   这些 baseline 的效果如下表所示，其中 item-KNN 方法显著优于其它 baseline 方法。

   

4. 参数配置：我们通过单独优化每个超参数来进行超参数调优，其中调优是在单独的验证集上进行的。然后我们在训练集和验证集上对网络进行重新训练，并最终在测试集上进行评估。下表给出了最佳的超参数。

   

   此外还有一些探索如下：

   • 权重矩阵从$[-x,x]$$ [-x,x] $ 中均匀随机初始化，其中$x$$ x $ 取决于矩阵的行数和列数。

   • 我们评估了 rmsprop 和 adagrad 优化器，发现 adagrad 效果更好。

   • 我们对 GRU 以外的其它 RNN 单元进行了简单的实验，发现常规的 RNN 单元和 LSTM 单元的效果都更差。

   • 我们尝试了几种损失函数。

     • point-wise ranking loss （如交叉熵和 MRR ）优化通常是不稳定的，即使添加正则化也是如此。我们认为：这是由于这种方法试图为 positive item 获得高分，而负样本的 negative push 太小。
     • 另一方面，pair-wise ranking loss 表现良好。

   • 我们检查了几种架构，发现：

     • 单层 GRU 表现最好。我们假设这是由于会话的生命周期通常都很短，不需要表达不同分辨率的多个时间尺度。然而，确切原因尚不明确，需要进一步研究。
     • 使用 item embedding 得到的效果稍差，因此我们仅使用 OneHot 编码。
     • 此外，将会话的所有历史事件（而不是最新的事件）作为输入并不能带来额外的准确率增益。这毫不奇怪，因为 GRU 像 LSTM 一样，同时具有长期记忆和短期记忆。
     • 在 GRU layer 之后添加额外的前馈层也没有帮助。
     • 然而，增加 GRU layer 的大小提高了性能。
     • 我们还发现使用 tanh 作为输出层的激活函数是有益的。

5. 实验结果：下表给出了性能最佳的网络的结果（括号表示相对于 item-KNN 中的提升。）。具有 1000 个隐单元的 VIDEO 数据集的交叉熵在数值上不稳定，因此我们没有提供结果。结论：

   • 即使隐单元数量为 100，GRU-based 的方法在两个数据集上都显著优于 item-KNN。增加隐单元数量进一步改善 pair-wise loss 的结果，但是降低了交叉熵损失（即 point-wise loss ）的准确率。
   • 在隐单元数量为 100 时，尽管交叉熵损失给出了更好的结果，但是随着隐单元数量的增加，pair-wise loss 超过了该结果。
   • 尽管增加隐单元数量会增加训练时间，但是我们发现 GPU 上从隐单元 100 提升到 1000 的代价不太昂贵。
   • 交叉熵损失在数值上不稳定，因为网络独立地尝试增加 positive item 的 score，而其它 item 的 negative push 相对较小。因此，我们建议使用上述两个 pair-wise loss 中的任何一个。