当前位置：首页 > article >正文

京东零售推荐系统可解释能力详解

article 2024/12/27 0:14:08

作者：智能平台张颖

本文导读

本文将介绍可解释能力在京东零售推荐系统中的应用实践。主要内容包括以下几大部分：推荐系统可解释定义、系统架构、排序可解释、模型可解释、流量可解释。

系统架构

在介绍可解释系统的架构之前，先来分析一下可解释系统的难点。

量极大。推荐系统量级是非常大的，整个召回、排序、策略链路复杂且单条数据量非常大，很容易达到天级PB级的增长，这对整个数据链路都是一个巨大的挑战。
治理难。整个链路中数据非常混乱，推荐系统通常由多个团队共同负责，大家的日志和代码会有不同的标准，因此我们常遇到的一个问题就是日志不统一，导致上报内容杂乱，稍微不谨慎就会造成识别失败这种问题。其次，模型也是非常复杂的，整个数据链路复用困难。

场景多。可解释系统面临的场景众多，比如召回分析、策略分析，以及模型分析等，对系统的数据质量和灵活性有很高要求。

上图左侧是一个简单的推荐系统的变形，从用户使用的角度描绘了用户的一次刷新在推荐系统里面所经过的过程。用户刷新时，首先会触发一个称为“接入服务”的模块，这一模块起到了串接流程的作用，首先会调用召回服务对商品进行召回，比如我们可以进行行为召回，这些比较精确的就是点击商品的相似商品召回，再比如浏览商品召回，或是搜索词下的热门商品召回等等。召回之后，为了保证接下来排序阶段的性能，一般会进行过滤和截断，经过粗排对数据进行初筛，接下来把数据灌入精排，精排之后一般会把数据汇总之后写入重排，重排其实就相当于是策略的一种了，重排和EE都可以类比为策略。

可解释系统的本质就是把图中链路透明化，变得可观测，也就是推荐系统的白盒化。右侧图是在我们系统中推荐系统白盒化的一个简单示例，图中可以看到，针对左图那些关键节点都有相应的聚合。

整个可解释系统的底层是由Flink和ClickHouse来处理的，其中Flink主要负责实现天级PB级的模块数据实时入仓，包括特征、召回、排序、策略等链路。ClickHouse 主要提供多维的分析查询功能，帮助我们解决可解释链路分析的问题。

基于这些数据链路，我们在上游构建了排序可解释和流量可解释链路，排序可解释主要解决推荐系统排序的一些问题，包括但不限于召回问题的分析、模型问题的分析、策略问题的分析以及过滤问题的分析等。针对流量可解释，我们搭建了一些指标监控，目前还在建设完善中，目前完成了全域模型打分问题的监控和SKU流量差异的原因分析，这主要实现的是一个全域的漏斗。

可解释系统中模型的可解释也是不可或缺的，模型可解释虽然是一个成熟的技术，但是在电商领域的应用并不多。我们创新性地引入了电商场景下几个场景的问题，这些问题如果没有模型可解释技术的引入其实是很难有说服力的，比如SKU特征重要性、用户特征重要性等等。

排序可解释

接下来将从以下几个方面详细介绍排序可解释：trace链路的推荐物料可解释，debug链路的推荐物料可解释，以及推荐系统排查问题必不可少的用户画像、行为画像和商品画像。

Trace链路的推荐物料可解释

整个推荐系统主要包括召回、过滤、粗排、精排和重排等几个链路。其中召回是要从亿级的底池里面挑选出万级的商品；召回过滤之后是粗排，粗排是将召回万级的数据截取到千级，传给精排；精排是推荐系统中最重要的一部分，主要是从千级的符合用户的商品里面挑选出百级的商品供给后续模块做策略；策略模块会将百级的商品做到十级。

推荐系统常见问题，比如为什么给我推（没有推）某个（类）商品，为什么在情人节给我推荐了花圈，这些问题都可以通过可解释系统解决。

针对trace级别的可解释，我们主要通过两种平台化的模式来解决，一个是左图所示的日志tree的方式，另一个是右图的漏斗分析的方式。

通过日志tree的方式，我们可以知道这次请求经过的主要模块，比如这次请求经过了哪些召回，哪些过滤，分别过了哪几个模型，以及分别过滤哪几个策略等，日志tree可以从架构的角度帮助算法工程师分析此次日志是否合理等问题。

右图中是经典的推荐系统漏斗图，非常直观地展示了推荐系统的SKU漏斗分布，解释了商品是如何在漏斗里面流转的。

Debug链路的推荐物料可解释

上图中展示的是debug模拟请求在推荐物料可解释里面的作用，下面先来介绍一下什么是debug模拟请求，以及debug模拟请求在推荐系统里面的重要性。

大家都知道，推荐系统的链路是非常复杂的，因此想要debug 也是非常困难的，比如我加上的一些过滤逻辑是否有生效，模型的一些加权或者减权、多样性策略有没有生效等等，这些问题都是难以debug 的。Debug链路主要解决的就是线上问题能否快速复现以及快速发现一些逻辑有没有生效等问题。

还有一类问题，比如我有A、B两个实验，其中A实验的效果比B差一些，那么针对具体请求差异是什么样子的呢？利用debug模拟请求，可以快速diff 两个实验针对同样请求的结果差异。

用户画像

接下来介绍可解释系统中的一个重要模块，用户画像。

推荐系统的召回是根据用户的行为习惯和爱好来做的，这里的用户行为习惯和爱好都统一称之为用户画像。

上图中列举了一些画像的例子，比如从用户人口属性维度，是否有小孩儿，以及用户价值维度，有用户消费的活跃分层。除了这种基础类画像，还会有一些这种挖掘类画像，比如用户的品类、品牌偏好，购买力偏好等等。

除了一些基础召回之外，推荐系统中还会做一些个性化召回，这些召回基本上都是与这些画像维度相对应的。

行为画像

再来看一下用户的行为画像。本质上，行为画像也是用户画像的一部分，在这里我们之所以把它提出来，是因为它除了用作于召回之外，还可以用作一些场景问题的分析，行为画像可以复现用户在app上的所有行为，为分析提供参考。

行为画像包括两部分，即宏观行为和精细行为。宏观行为主要是浏览、点击、加购、下单等电商类APP中的常见行为。仅凭这些行为，我们是无法准确判断用户意图的，因此我们还会加上一些精细行为的埋点，比如用户在浏览一个商品或者搜索一个商品的时候，如果仅用一些宏观的行为，比如点击，我们完全没有办法判断用户是不是真的要买。但是如果点进去了商详页，并且查看了一些评论，或点击了大图，又或者在这个商品上停留了较长时间，对这个商品的操作达到了一定的次数，那么我们就可以认为用户有比较有强烈的购买意图了。

针对不同的宏观行为和精细行为，需要构建不同的召回策略，比如点击商品的相关、相似商品，评论、分享、查看大图等一些i2i召回，这些宏观行为和精细行为需要有不同的得分策略。一旦出现问题，我们可以根据不同的行为来判断他的这些召回是否正确，或者与用户行为是否匹配。

商品画像

接下来看一下商品画像对推荐系统的重要性，以及可解释系统里面的商品画像是什么样子的。

如上图中的例子，在情人节的时候，首页通常会推一些鲜花速递类似的礼品，但给用户推了一个花圈。这在严格意义上来讲是一个场景推荐的问题，针对这个问题我们要具体分析。从商详页来看，它确实是丧葬类产品，而在第三幅图中，这是可解释系统的一个商品画像的展示，可以看到它的title确实是丧葬用品，但是它的三级分类却是鲜花速递。针对这种场景，商品分类本身是没有问题的，因为它确实是鲜花，只不过标签不够细化，至此我们就知道了问题的原因和优化的方向。

模型可解释

接下来介绍模型可解释在电商的应用。

在电商的场景下为什么需要模型可解释呢？如上图所示，如果不引入模型可解释，那么图中这个问题是没有办法解释的，某个SKU在召回、过滤阶段都很正常，但是偏偏被模型过滤了很多，其实这个问题的本质是全域商品下模型打分偏低。

第二个例子，明明没有对某个类目/品牌产生过行为，并且我也不感兴趣，但是频繁给我推，这个问题是在模型打分较高的情况下，本质可归类为某个用户下模型对商品打分的问题。

以上两类问题都是线上频发的问题，如果没有引入模型可解释，都是无法解决的。

上图中列出了一些常用的模型可解释的方法，其中有一些模型本身就是可解释的，比如一些简单的线性模型和规则类的模型；还有一些模型本身是一个黑盒，但已有较为成熟的方案来解释。针对一些Tree Model，我们选择Tree SHAP的方法去解释，针对神经网络模型，我们采用IG的方式。

在介绍Tree SHAP之前先来介绍一下Shapely Value。Shapely Value的本质是为了研究一个团体中各个参与者对最终结果的贡献，这个算法可以准确地计算出相应的贡献值，在电商场景下应用也是主要在特征的领域，可以确定模型各个特征对预估结果的影响。但是这个算法的劣势也是不能忽略的，那就是在数据量级较大时计算的复杂度会指数级增长。Tree SHAP的引入极大降低了计算的复杂度，它不再遍历特征，转而遍历所有叶子结点，并且通过根节点到叶子结点的路径来修改特征的贡献计算方式和权重计算，使得时间和空间复杂度都极大降级，这使得我们的千级特征模型有了可解释的可能。

右边这段代码是我们解释SKU在具体的品牌、品类或者产品词的特征重要性的代码片段，SKU的样本作为目标样本，品牌、品类或者产品词的样本作为背景样本去解释。

针对神经网络的可解释我们采用的是积分梯度算法，这个算法的本质是通过计算输入变量的变化对模型输出影响的积分来评估输入变量的重要性。这个模型的好处是具有敏感性和实现不变性，敏感性指的是面对梯度饱和的时候可以在辨识性特征上保留有效梯度，实现不变性指的是两个输入输出相同的模型可以得到相同的归因结果。

比如右边这个图，针对大象鼻子长短的问题，在一定范围内，鼻子越长越可能是个大象，但是长到一定程度，那鼻子长短就不再是关键特征了。

接下来回到模型可解释在电商的具体应用。在筛选关键特征因子的场景下，全局特征的重要性主要在于衡量所有样本中各个特征对模型预测结果影响的相对显著程度。如左图中，特征值越低，越接近蓝色，值越高越接近红色；第一维特征表示，value越小效果越差；大部分的样本shap value集中在0-1之间，越粗表示点越密集，样本量越多。

右图是模型影响最大的top20特征。这里需要特别说明一下绝对平均值存在的意义，是为了更加直观地展示特征对效果的意义，因为有时候得分不一定是越高越好的，比如不合适的商品得分就要低，“绝对平均值”对这类特征非常有用。

通过前面一张图片，我们可以看到整体特征对模型的影响，但是仅有这些仍无法对运营起到指导作用，因此我们还需要第二个功能，即特征值对结果的影响的分布。

上图中右图是我们的一个结果图，通过该图可以知道特征值越大对效果越呈正向，并且可以得到该特征一定的运营区间。当然，推荐系统的变化是非常多的，仅仅解释一维特征的意义有限，因此这个功能仅起到一个指导意义。

接下来是电商的一个更加深度的应用，我们称之为单SKU特征重要性。大家都知道，只要样本训练合理，模型打分是很公平的，但是电商场景下商品是不公平的，商品的分层现象非常明显，比如模型就是可能对某个类目下商品打分分布较广，但是涉及到敏感类目得分就是会很低，比如苹果品牌得分却会偏高，因此，我们知道某个SKU在某个品类、品牌下的特征重要性，比针对全域商品更有说服力，更加能说明该SKU的流量获取情况。

运营经常会提出这样的问题：“我觉得这个品还没有我这个好，但是为啥它卖得好一些？”

我们接收到这个问题，排除掉一些其它影响因素，归咎到推荐系统里面，首先做的就是对比这两个SKUK在全链路的流量情况，如果他们在召回、过滤、策略比例都相同，但是唯独在模型这块相差较大，那么我们就需要知道这两个SKU在模型维度的pk结果了。

上图左下的表格中展示的是两个SKU pk的结果，可以看到，第一个要比第二个高很多。

当全局特征重要性不足以排查bad case 的时候，需要引入用户维度的特征重要性，之前全局特征重要性会带来训练集偏差的问题，在具体的一个用户上，比如全局特征重要性是针对整体训练集的，非某个/某类用户，这些用户的数据分布在整体上不见得和整体用户分布一致，因此，某个或者是某类用户下，会衍生出不同重要性的特征。因此，引入用户维度的特征重要性是很有必要的。

体现用户活跃程度的特征容易成为重要特征，但是有时候在某个或者是某类用户的排序下不太合适，因为这个用户的特征都是一致的，用户不一样的情况下，那就是这些特征本身就存在不一致的情况。