一、小墨鹰简介

二、新版视频教程

三、新手入门

四、微信公众号早报

五、手机版编辑器

六、功能详细介绍

七、基础排版技巧

八、常见问题解答

九、微信公众号扫盲

十、高级功能详细介绍

十一、进阶排版技巧

十二、特殊素材使用教程

十三、高分文章排版技巧

十四、公众号排版模板

十五、公众号运营

十六、微信图文模板

十七、新媒体运营

十八、会员常见问题

十九、关于我们

要提升微信看一看推荐混排的长期收益？试试深度强化学习

发布时间：2020-09-16 17:23:53

在微信AI背后，技术究竟如何让一切发生？关注微信AI公众号，我们将为你一一道来。今天我们将放送微信AI技术专题系列“微信看一看背后的技术架构详解”的第四篇——《深度强化学习在微信看一看推荐混排的应用》。

导语

相比于传统的监督学习方法，强化学习能够最大化长期收益，正是推荐系统更加需要的。做好当下做好固然重要，但放眼未来才能看得更远。

本文主要是在看一看算法推荐算法过程中的实践，文章主要从强化学习的基本概念、为什么要用强化学习、强化学习在混排中的应用和一些思考四个方面展开论述。

什么是强化学习

（1）基本概念

就是RL中经典的四元组了。A代表的是Agent的所有动作；State是Agent所能感知的世界的状态；Reward是一个实数值，代表奖励或惩罚；P则是Agent所交互世界，也被称为model。

（2）与监督学习，非监督学习的区别

简单来看就是，强化学习与其他最显著的区别就是最大化了长期收益。

（3）Multi-armed bandit 多臂赌博机

作为大家在推荐算法中最常用的强化学习算法系列，MAB相关算法基本大部分人都很了解，基本思想就是对于未知进行explore，当对于未知有一定认知之后，就用认知到的信息就行exploit。

（4）强化学习的算法和AlphaGo

对于绝大多数的人来说，第一次听说强化学习，还是从AlphaGo战胜李世石了解到的。

强化学习中常用的算法主要分为两类，policy-based和value-based，而在AlphaGo中就同时应用了这两种类型的网络，分别建立了分析当前局面的值网络和根据当前局面下棋的策略网络。

（5）强化学习实践

如果大家要实践自己的强化学习算法，可以在OpenAI的GYM上去实践。

比如，我们看最经典的CartPole这个游戏：

我们去尝试用经典的QLearning方法来做，

上下滑动查看

import gym

import random

import numpy

N_BINS = [5, 5, 5, 5]

LEARNING_RATE=0.05

DISCOUNT_FACTOR=0.9

EPS = 0.3

MIN_VALUES = [-0.5,-2.0,-0.5,-3.0]

MAX_VALUES = [0.5,2.0,0.5,3.0]

BINS = [numpy.linspace(MIN_VALUES[i], MAX_VALUES[i], N_BINS[i]) for i in xrange(4)]

def discretize(obs):

return tuple([int(numpy.digitize(obs[i], BINS[i])) for i in xrange(4)])

qv = {}

env = gym.make('CartPole-v0')

print(env.action_space)

print(env.observation_space)

an = env.action_space.n

def get(s, a):

global qv

if (s, a) not in qv:

return 0

return qv[(s, a)]

def update(s, a, s1, r):

global qv

nows = get(s, a)

m0 = get(s1, 0)

m1 = get(s1, 1)

if m0 < m1:

m0 = m1

qv[(s, a)] = nows + LEARNING_RATE * (r + DISCOUNT_FACTOR * m0 - nows)

for i in range(500000):

obs = env.reset()

if i % 1000 == 0:

print i

for _ in range(5000):

s = discretize(obs)

s_0 = get(s, 0)

nowa = 0

s_1 = get(s, 1)

if s_1 > s_0:

nowa = 1

if random.random() <= EPS:

nowa = 1 - nowa

obs, reward, done, info = env.step(nowa)

s1 = discretize(obs)

if done:

reward = -10

update(s, nowa, s1, reward)

if done:

break

for i_episode in range(1):

obs = env.reset()

for t in range(5000):

env.render()

s = discretize(obs)

maxs = get(s, 0)

maxa = 0

nows = get(s, 1)

if nows > maxs:

maxa = 1

obs, reward, done, info = env.step(maxa)

if done:

print("Episode finished after {} timesteps".format(t+1))

break

为什么用强化学习

（1）看一看混排

做混排有几个难点：

数据异构：不同的数据包含不同的特征。

目标不同：不同内容的各自优化目标不同，很难做统一的内容排序。

运算量大：总的计算量高达业务数*每个业务的精排数量。

内容的质量不同：点击率高的优质内容，比如高点击率的视频，会挤压低点击率的业务。

（2）统一的点击率预估排序

结论：视频是业务中点击率最高的，新闻则是点击率最低的，把点击率高的业务占比提高，点击率低的业务占比降低会提高整体的点击率，但不会提高整体点击数。

（3）强化学习的引入 - 优化长期收益

用户在推荐场景浏览可以建模成 Markov Progress。

Agent是我们的推荐系统，Action是我们推荐了什么内容，Reward是反馈信息，包括点击、负反馈、退出等。

每次我们的推荐系统Agent采取某个Action，推荐了内容后，就会收到相应的反馈。

（4）强化学习的优势

为什么强化学习优于监督学习？

混排三路召回，mp，video，news合并

Case

mp，video，video（0，1，1）

video，mp，mp（1，0，0）

video，video，video（1，0，0）

监督学习预测最优解是第三种，

选择点击率最大的。

强化学习预测最优解是第一种，

选择总收益最大的。

强化学习在看一看混排中的应用

（1）Session wise recommendation

（2）Personal DQN

当用户的请求到来时会根据他之前的行为计算隐状态作为此次输入state的一部分，每次选择某个业务作为action，反馈点击作为reward。

（3）离线评估 AUC？

做算法，非常重要的一个环节就是做离线评估，传统的CTR预估用的就是AUC来评价：

我们先看看传统AUC的意义，传统AUC的意义有两种：假阳率和真阳率画出ROC曲线围成的面积表示了阈值移动情况下真阳假阳的表现。

随机取一个正值和负值，正值的预估值大于负值预估值的概率，即 P(pred(a) > pred(b) | y(a) > y(b))。

利用第二种定义，我们将其进行扩展来定义我们新的AUC：P(Q(a) > Q(b) | sum reward(a) > sum reward(b))。

为什么不像其他很多人一样利用一些模拟器的方式来做评价呢，很多实践表明，模拟器的方式有很大的偏置，利用一些模拟器可能会导致模型学偏。而这里新的AUC表征了实际数据的情况，比起利用模拟器来说更优。

我们可以看到新的AUC更符合我们长期收益的定义，即，最大化总点击数。

（4）线上效果

上线后，我们总的停留时长提高了7%，baseline对比的是规则混排，我们同样对比了相同网络的监督学习的效果，也有1-2%的提升。

（5）模型优化

Session based recommendation

利用RNN来建模session内的信息，将DQN内state用RNN的hidden来描述能更好的建模session内的特征。

（6）模型优化

Bloom embedding & Dueling DQN

Bloom embedding用于减小hash之间的冲突利用 Dueling DQN的方式，将user context的信息抽离出来，最后利用attention的方式连接，能够让模型很好地学到时间、位置等bias信息。

（7）模型优化Double DQN &

Dueling Double DQN (aka DDDQN)

（8）负反馈 Reward & Focal loss

我们可以把负反馈信息作为负的reward学到我们的模型里，但是有一个问题，负反馈信息过于稀疏。负反馈占总展现的比例大概千分之一，于是我们引入CV里的Focal loss做优化，对于easy case减小梯度权重，对于hard case加大权重，让稀疏的hard case能学得更好，最终使得负反馈率降低19%。

一些思考

AC 和 GAN

我也不是RL的专家，但我认为GAN是使用RL来解决生成建模问题的一种方式。GAN的不同之处在于，奖励函数对行为是完全已知和可微分的，奖励是非固定的，以及奖励是agent的策略的一个函数。但我认为GAN基本上可以说就是RL。
Ian Goodfellow（生成对抗网络之父）

我们发现强化学习的AC结构和GAN的结构非常类似，而且GAN的作者也表示GAN是一种RL，后面我们就考虑把RL和GAN做一些融合，利用相互间的优势，更好地提高我们的系统。

注：此文章来源于微信AI；

☞推荐阅读：