[[386397]]

大家好，不知不覺做推薦系統挺久的了，很多同學私信讓我好好寫寫推薦系統相關，但苦于沉淀不夠有貨倒不出。最近充電總結了一段時間，有了一些積累，給大家好好說道說道。

既然是介紹推薦系統，我們先從最簡單最簡單的模型開始說起。說起推薦算法領域最簡單的模型，自然就是LR了。

LR模型是機器學習領域的基礎模型，我想接觸過這個領域的同學應該都不陌生。

為什么是LR

什么是LR大家已經知道了，但還有一個問題卻沒有回答。那就是為什么早年的時候LR模型如此受歡迎呢?難道就不能使用其他一些看起來高級一些的模型嗎，比如決策樹、隨機森林、GBDT?不是說XGBoost在各種比賽的效果都非常好嗎?為什么業內不用來做推薦呢?

尤其是當我讀到2014年Facebook推出的GBDT+LR的paper的時候，這種困惑更是明顯。

這篇論文非常經典，在業內地位很重，甚至可以說是推薦領域必讀的paper之一。深度學習興起之前很多公司和廠商都沿用了這個做法，論文當中的做法倒是不難，說是創新的做法，其實本質上就是將GBDT預測的時候樣本落到的節點作為multi-hot編碼，然后將這個編碼之后的01的數組看成是新的特征，然后用這個轉換過的特征來訓練LR。可以說它的本質仍然是訓練LR，所謂的GBDT只不過是一個編碼器。

我當時看這篇paper的時候，里面的意思都已經理解了，但是有一個問題怎么也沒想明白。既然都用GBDT了，結合其他模型不香嗎，非得結合LR?

我估計這個問題很多在推薦領域的從業者可能也未必答得上來，我先賣個關子，把問題記在這里，等會晚點來回答。

推薦領域的特征有什么特點?

在算法領域，提及效果，特征和模型兩者是一體兩面，很難剝離。好的模型也需要好的特征支撐，好的特征需要好的模型才能充分表達。所以我們先把模型的問題放一放，來思考一下特征。

推薦領域主要的特征只有三塊，以電商為例，分別是item，user和context。也就是商品，用戶以及環境信息，比如時間，地點，展示位置等等。context特征比較少，來來回回就那么幾樣，我們也先放一放。剩下的就是用戶和商品，圍繞用戶和商品我們形成的特征主要又可以分成兩個部分，一個是基礎特征，另外一個是統計特征。

以商品舉例，基礎特征就是品牌、價格、類目、評價，統計特征就是最近點擊率、最近銷售額、最近轉化率等等。這些特征按照類別分又可以分為兩種，一種是浮點型的連續型特征，一種是類別特征，比如商品的類目，品牌等等。到這里都很正常，沒有什么難理解，或者是不可思議的部分。

我們接著往下，再來看看模型要預測的目標——點擊率。我們結合一下模型預測的目標再來觀察一下前面列舉的特征，你會發現，除了歷史點擊率、歷史轉化率等少數幾個指標和最終的結果是強正相關之外，其他的浮點型的特征沒有特別明顯的正相關或者是負相關。可以說商品的價格和點擊率負相關嗎?其實不太行，商品越便宜可能質量越差，反而不會有人點。用戶的購買力呢?越有錢點的商品越多嗎?也不成立。

正是因為上面說的這個原因，所以在推薦領域，效果很好的浮點型特征很少，大部分都是類別特征，也就是01特征。

所以你說GBDT、隨機森林、XGboost這些模型的效果會很好嗎?很難說，因為這些模型的長處往往都在浮點型特征，也就是連續型特征。這些樹模型會設計規則對這些連續特征進行分段，如果大部分特征都是01特征，那還怎么分段呢?

所以，到這里也就回答了，為什么在深度學習模型興起之前，推薦領域普遍都使用LR，而不是那些看著很牛的樹模型。

LR模型的原理

LR模型也就是純線性模型，它可以簡單理解成若干個特征的加權和。每個特征的權重或大或小，最后累加在一起，得到一個預測的概率。這毫無毛病，也是學過的人都知道。

但我們往下一層，有沒有想過這一點在推薦領域意味著什么呢?

意味著模型其實是”記住“了每個特征和最終結果的關系，我們把模型擬人化，把它看成一個機器人的話。機器人看到樣本有特征A并且點擊了，于是特征A的權重提升一點，樣本有特征B但是沒點擊，于是把特征B的權重降低一些。模型就是在這樣一個策略當中找到一個最佳的平衡。

這就意味著，一些容易被記憶的特征往往會發揮比較好的效果。比如男士通常會買煙，女士通常買口紅，那么我們就可以設計男士_煙和女士_口紅的組合特征。當模型看到大部分男士看到煙都點擊了之后，它就能學到這個組合是一個強特征并給與一個比較高的權重。這樣只要我們盡可能地找出這些特征的組合，那么模型就可以得到很好的效果。

所以到這里大家就明白了，LR模型在推薦領域發揮作用，本質上就是靠的“記性”。因為它可以記住那些類別特征以及類別特征的組合，所以它往往比那些看起來更高端的樹模型效果要好。這也是為什么到了LR時代的后期，算法工程師們的工作就是整天挖掘一些類別特征的組合，以期望模型達到很好的效果。

LR模型的優缺點

到這里，關于LR模型在推薦領域的應用就差不多說完了，我們做一個簡單的總結，首先從它的優點開始說起。

LR模型的優點教科書上已經說了很多了，比如訓練速度快，由于參數空間比較小，LR模型可以迅速收斂，它的訓練速度要比那些樹模型以及后面的深度學習模型快得多。其次是可解釋性強，由于我們可以查閱得到所有特征的權重，所以我們很容易解釋究竟是什么特征發揮了作用，或者是什么特征拖了后腿。

但是LR在推薦領域也有一個很大的缺點，是什么呢，就是臟活累活很多。

因為幾乎所有的特征組合都需要人工挖取，需要人工遍歷很多特征組合，甚至是一一嘗試找到最佳的組合。這個過程當中需要花費大量的人力，幾乎可以說是純堆人工。所以對于LR時代的算法工程師來說可能螺絲釘的感覺比現在還要嚴重得多，什么優化模型基本上是不用想了，LR這么簡單的模型也沒什么優化的空間，剩下的事情基本上就只有做特征做實驗了。

俗話說得好，前輩的缺點就是后輩努力的方向。那么對于LR模型的這些缺點又該怎么彌補或者是優化呢?

本文轉載自微信公眾號「TechFlow」，可以通過以下二維碼關注。轉載本文請聯系TechFlow公眾號。