百度推荐排序技术的思考与实践( 五 ) _百度推荐

百度凤巢 CTR 3.0 精排跟重排联合训练项目，就非常巧妙地利用模型同时训练避免打分耦合的问题。该项目将精排子网络的隐层及内部打分，都作为重排子网络的特征，然后，将精排与重排子网络拆开，分别部署于各自模块。一方面可以很好地复用中间结果，不会出现打分耦合带来的波动问题，同时对于重排的精度又会有百分位的提升。这也是当年百度最高奖的子项目之一。
另外，注意该项目并不是 ESSM，ESSM 是 CTCVR 建模，是多目标建模，而 CTR3.0 联合训练主要解决打分耦合和重排模型精度的问题。
此外，要对召回和粗排做解耦合，因为新队列加入进来，对于新队列可能会不太公平。因此，提出了随机掩码的方式，即随机 mask 掉一部分特征，使得耦合度不会那么强。
3、稀疏路由网络

文章插图
最后再来看一下部署在线上的过程。模型参数规模都是千亿到万亿量级，目标也非常多，直接进行线上部署开销是非常大的，不能只考虑效果，不考虑性能。有一种比较好的方式就是弹性计算，类似于 Sparse MOE 的思想。
粗排接入了非常多的队列，有数十个甚至数百个队列。这些队列对线上的价值（LTV）是不一样的，由流量价值层来计算不同召回队列对线上点击时长的价值。其核心思想是召回队列整体的贡献度越大，越可以享受更复杂的计算。从而使得有限的算力能够服务于更高价值的流量。所以我们也没有采用传统的蒸馏的方式，而是采用类似 Sparse MOE 的思想来做弹性计算，即策略跟架构 co-design 的设计，使得不同的召回队列能够使用最适合的资源网络进行计算。

五、未来计划众所周知，现在已经进入 LLM 大模型时代。百度对下一代基于 LLM 大语言模型的推荐系统的探索将会从三个方面来展开。

文章插图
第一方面是希望模型从基础的预测升级到能够做决策。比如经典的冷启资源高效率探索，沉浸式序列推荐反馈，以及从搜索到推荐的决策链等等重要的问题，都可以借助大模型来进行决策。
第二方面是从判别到生成，现在整个模型都是判别式的，未来会探索生成式推荐的方式，比如自动生成推荐理由，对长尾数据基于 prompt 来做数据自动增强，以及生成式的检索模型。
第三方面是从黑盒到白盒，传统做推荐系统，大家常说神经网络是炼丹术，是黑盒的，是否有可能向白盒化方向探索，也是未来的重要工作之一。比如基于因果，探究用户行为状态迁移背后的原因，推荐公平性方面做更好的无偏估计，以及 Multi Task machine Learning 的场景上能够做更好的场景自适应。