Angel 推荐算法在游戏推荐中的应用

导读：Angel 是腾讯自研的分布式高性能的机器学习平台，支持机器学习、深度学习、图计算以及联邦学习等场景。Angel 的深度学习平台已应用在腾讯的很多个场景中。本次分享为大家介绍 Angel 推荐算法在游戏推荐中的应用。主要内容包括：游戏平台上的游戏推荐、Tesla 平台上的推荐算法、经典算法的线性特点、DeepFM 算法的非线性特点、DeepFM 应用过程。

游戏平台上的游戏推荐

这张图看到的是 Steam 平台上的一个游戏推荐的应用。Steam 平台主要是使用标签的推荐方法，它的标签主要是基于用户选择去收集的信息。

Steam 平台的特点在于游戏的内容比较多，深度也比较深一些。

如果 item 比较多，而且使用用户比较多，那就可以通过用户来选择一些标签，能够抽象出其实本来是需要协同过滤 ALS 的算法计算的因变量的特征向量。

也就是说，Steam 是用人工选择的方式，用集体智慧的方式来抽象出特征向量。

这是 Wegame 平台上的一个活动。它的推荐算法并没有使用人工抽取标签的方式，而使用了 CF 算法，以及在用户行为数据的基础上使用 Deep FM 算法。

Tesla 平台上的推荐算法

这个是特斯拉平台上的推荐算法。如果你要在外网试用，可以到下面的网址进行试用：

https://cloud.tencent.com

在试用的过程中，根据 wiki 文档生成相关的模型，定义相关的参数，就可以使用了。

特斯拉平台上也可以使用一些传统的算法，就像 CF-ALS 算法，可以把 Rank、Lambda、Alpha 这几个重要的参数，通过一个迭代的方式去选择合适的超参数，就可以使用了。

经典算法的线性特征

如果是基于内容的标签推荐，不用集体智慧的抽象，在很多情况下就是一个主观的先行判断。

另一种是协同过滤——或基于物品，或基于用户，或者是联合的协同过滤，会存在稀疏矩阵和长尾推荐的问题。

此时会出现一个问题：这是基于物品点击率比较高的协同过滤，但游戏大部分推荐的并不是都是热门物品。如果我们想在经典算法的基础上对一些点击比较少的物品进行推荐，也就是对这些长尾的物品进行推荐，如何去实现呢？

此时可以先做一个聚类，再应用一个协同过滤的算法。如果是经典的算法，有一个很大的核心的问题：怎么去结合用户画像，还有物品画像，参与到 DeepFM 的建立？

DeepFM 的非线性特征

其实 CF 算法中输入的是 Item Id 和 User ID，但是 Deep FM 在输入 UserID 和 Item Id 之外，还可以输入用户或者物品特征。另外也可以对特征进行一个二次交叉：二次标签的特征组合，在本质上还是比较依赖于原来所采集的特征，而且特征组合也仅仅是二次的一个特征表达。

DeepFM 的各种非线性特征，其实比较类似于 CNN 算法里面，在识别分类过程中所作的权重分解。上图是在 CNN 的过程中，做的一个热力图。其中 CNN 是对图像做了一个分类。这个分类依据，是 Class 之前所做的权重分布，从 Deep FM 的一部分的模型研发而来的一部分。

Deep FM 模型的 random 部分有很多类别特征的。类别特征是用人工选择出来的 categorical Features。而 Deep FM 在自动归类分群的过程中，有一个自动 embedding 离散维度的推荐过程。一般我们可以根据误差的自动调整，来调整这个特征的维度组合。类似于推荐过程中自动聚类分群的过程，这就解决了传统算法的问题。如果只输入一个 User ID 或者是 Item ID，就无法使用用户画像和物品画像，进行信息的分群，这样 Deep FM 就成为了一个可以根据误差进行自动调整，自动聚类分群的推荐工具。

DeepFM 应用过程

另一种情形则是在 Deep FM 的过程中进行编码，如果有单列的类别值，如何进行、转换成一个稀疏矩阵？一般来说可以使用手工编码，但这个方式比较低效。这时可以使用 Feature Hasher，可以自动把几列类别值转换成一个技术矩阵，把稀疏矩阵和由连续值组成的 vector 和 Hash feature 组成 vector，合成一个 Vector，再把这个 Vector 作为一个 Deep FM 的输入，就可以比较方便进行数据计算了。

这里面有几个经验：

• Validation AUC 与点击率的对应关系：就是说在算法的训练的过程中，会输出一个 Validation AUC，这个 AUC 很大情况下会和点击率有对应关系。在算法的模型训练过程中 AUC 比较低的话，点击率可能比较高，但是如果 AUC 比较高，其点击率一般情况下也比较高。

• 特定场景下的 target 数据产生的模型只能应用到特定场景下的点击率评估：你可能会需要使用到 3 个采集位置。这三个位置前面的 Target 数据就是用户在 item 下面点击数据，如果你运用 3 个模型，每一个模型应用在 3 个特定位置下，应该会得到一个更好的效果，而尽量不要把 3 个位置下的 Target 的数据合并为一个 Target 数据。因为这和 Deep FM 的特征的抽象能力相关，也就是说 Deep FM 有比较强的特征抽取能力，Target 数据会反向传递到特征的采集过程中，会比较依赖于这个特征的场景。

• Deep FM 的参数调整比较简单，因为一旦收敛，AUC 的提升跟训练数据集的大小最密且：因为增加更多的训练数据，AUC 提升会比较明显一点。

• 数据精排需要过滤已拥有，已玩过,并且根据业务需要重排数据，比如重点展示新游，热销等。

• FM 需要输入 user_id 作为训练数据：Deep FM 是从 FM 演化过来的，FM 的训练和使用的过程中，一般会是要用 User Id 做一个输入，真正 FM 的 User ID 会在大数据情况下形成一个大的标签。

• FM 的 user_id 在大数据环境下会形成很大的标签数据，例如：如果有 1000 万用户，一台一个输入进去，在水平层这边特征就会比较大。

• FM 的 user_id 会形成冷启动的瓶颈，并且导致更新频率受到限制：传统的 FM 算法和 CM 算法，是一定要输入 User ID 的，那样就会产生一个冷启动的问题。也就是说，如果用户没有参与到每天的活动中，其实是没法在预测阶段做输入的。但是 Deep FM 则不同，如果对自己的特征比较自信，也就是说你的输入除了 User ID 之外，还有很多特征。因为 Deep FM 还会有比较强的特征抽取的能力，也就是自动特征组合能力。此时可以不输入 User ID，只输入用户的特征或者是物品的特征，就会避免冷启动问题，而且更新频率会更快。

• DeepFM 的特征输入可以替代 user_id 的输入：比如在一个活动刚开始没多久，收集了一定数量的数据的情况下，特征是比较丰满的，就可以对用户和 User ID，Item ID 等没有接触到的数据进行一个预测。

以上就是今天的分享，谢谢大家。

王培军，腾讯高级工程师，主要负责 wegame 平台的广告系统和深度学习与系统的结合探索。

原文链接：Angel推荐算法在游戏推荐中的应用