随着移动app的普及，个性化推荐和广告成为很多app不可或缺的一部分。他们在改善用户体验和提升app的收益方面带来了巨大的提升。深度学习在搜广推领域的应用也已经非常深入，并且给各种场景的效果带来了巨大的提升。针对推荐流程的各个阶段，业界已经有很多的模型，这些模型大部分也有开源的实现，但是这些实现通常散落在github的各个角落，其数据处理和特征构造的方式各有差异。如果我们想要在一个新的场景里面应用这些模型，通常需要做比较多的改动:
输入的改造，开源的实现的输入格式和特征构造通常和线上不一致，适配一个算法通常需要1-2周左右的时间，还难免因为对代码的不熟悉引入bug，如果要尝试5个算法的话，就需要5倍的改造时间。如果算法资源有限，这时候是不是就要忍痛割爱，放弃一些可能有效果的尝试了?
开源的实现很多只是在公开数据集上取得了比较好的效果，在公开数据集上的最优参数也不一定适合实际的场景，因此参数调优也需要较大的工作量；有时候效果不好，并不是因为方法不行，而是选的参数不太好。如果没有系统化的调参方法，很多算法也就是简单试一下，没有deep explore，哪来对算法的深入理解呢? 为什么看似简单的改进，你没有能够发现呢? 为什么你也尝试了类似的方向，但是没有搞出来效果呢? 效果通常都是用算力和数不尽的尝试堆出来的；
开源的实现用的是tensorflow 1.4，而线上用的tensorflow 2.3，好多函数的参数都变掉了(此处心里是不是想骂google一百遍，当初信誓旦旦说好的api不再变呢); 很多开源的实现由于没有在实际场景中验证过，所以其可靠性也是存疑的，可能就会少了个dropout，少了一个bn，效果相差甚远；
费了九牛二虎之力把模型效果调好了，发现上线也会有很多问题，比如训练速度太慢、内存占用太大、推理qps跟不上、离线效果好在线效果跪等等。遇到这么多问题，你还有精力去做你的下一个idea吗？你还能斗志昂扬，坚持不懈的去探索新方向吗?
这些问题搞得我们心有余而力不足、天天加班到深夜、不知何时是个头：想要验证一个简单的idea都要使出九牛二虎之力。所谓天下武功，唯快不破，对于搜广推领域的算法同学来说，尤其如此：通过快速迭代才能验证更多的想法，发现更多的问题，找出最优的特征和模型结构。速度慢了的话，可能你的模型还没调好，业务目标就变了，前端的布局也改了，你的业务方可能都不相信你了，你也就没机会上线了。
说到这里，我们的诉求就比较明确了，我们就是想少写代码，甚至不写代码就能验证我们的想法。针对这些问题和诉求，我们推出一个全新的、一步到位的推荐建模框架，致力于帮助大家解决在推荐建模、特征构造、参数调优、部署等方面的问题，让大家少写代码，少干重复的没有意义的脏活累活(这些EasyRec都承包了)，少趟一些坑少踩一些雷(这些EasyRec都替你趟了)，让大家能够快速上线验证新的idea，提升推荐模型的迭代效率。
优势
和其他建模框架相比，EasyRec在以下几个方面具备显著的优势:
支持多平台和多数据源训练
支持的平台包括: MaxCompute(原ODPS), DataScience(基于Kubernete), DLC(deep learning container), Alink, 本地;
支持的数据源包括: OSS, HDFS, HIVE, MaxCompute Table, Kafka, Datahub;
用户通常只需要定义自己的模型，在本地测试通过后，就可以在多种分布式平台上进行训练;
支持多种Tensorflow版本(>=1.12, <=2.4, PAI-TF)，能够无缝的对接用户的环境，不需要对代码做迁移和改动;
支持主流的特征工程的实现，特别是显示交叉特征，能够显著得提升效果;
支持HPO自动调参，显著降低了用户的调参工作量，并在多个场景中提升了模型效果;
实现了主流的深度模型，覆盖召回、排序、粗排、重排、多目标、多兴趣等;
支持EarlyStop, BestExport, 特征重要性，特征选择、模型蒸馏等高级功能。
架构
EasyRec建模框架整体上是基于Estimator的数据并行训练方式，通过Parameter Server的结构支持多机多卡的训练。EasyRec的主要模块包括输入、特征构造、深度模型、Loss和Metric，每个模块都可以自定义。针对用户在用TF进行训练可能遇到的多种问题，如worker退出失败、使用num_epoch evaluator无法退出、auc计算不准确等，EasyRec做了深度优化。针对AdamOptimizer训练速度慢，异步训练慢机，hash冲突，大样本空间负采样等问题，EasyRec结合PAI TF(PAI优化过的tensorflow)和AliGraph也做了深度优化。
模型
EasyRec内置了业界领先的深度学习模型, 覆盖了推荐全链路的需求，包括召回、粗排、排序、重排、多目标、冷启动等。
同时EasyRec也支持用户自定义模型。如下所示，在EasyRec里面实现自定义模型，只需要定义模型结构、Loss、Metric三个部分，数据处理和特征工程是可以直接复用框架提供的能力的，因此能够显著节省用户的建模时间和成本，能够将精力focus在模型结构的探索上。针对常见的模型类型如RankModel、MultiTaskModel等，Loss和Metric部分也可以直接复用父类的定义。
class CustomModel(EasyRecModel):
def __init__(self, model_config, feature_configs, features,
labels=None, is_training=False):
super(CustomModel, self).__init__(model_config, feature_configs,
features, labels, is_training)
# build wide features from feature_group with name "wide"
self._wide_features, _ = self._input_layer(self._feature_dict, "wide")
# build deep features from feature_group with name "deep"
self._deep_features, self._deep_feature_lst = self._input_layer(
self._feature_dict, "deep")
def build_predict_graph(self):
self._prediction_dict["logits"] = DNN(self._deep_features) + \
LINEAR(self._wide_features)
self._prediction_dict["probs"] = \
tf.nn.sigmoid(self._prediction_dict["logits"])
# it is necessary to return the prediction_dict,
# which is required by the framework
return self._prediction_dict
def build_loss_graph(self):
# build losses
loss = tf.losses.sigmoid_cross_entropy(self._labels[0],
self._prediction_dict['logits'])
self._loss_dict["custom_loss"] = loss
return self._loss_dict
def build_metric_graph(self, eval_config):
# build auc metric
metric_dict = {}
metric_dict["auc"] = tf.metrics.auc(self._labels[0],
self._prediction_dict["probs"])
return metric_dict
自动调参和自动特征工程
EasyRec自动调参接入了PAI automl自动调参的能力，实现了对多种参数的自动调优。EasyRec里面定义的任意参数都是可以搜索的，常见的参数包括hash_bucket_size, embedding_dim, learning_rate，dropout, batch_norm, 特征选择等。当你对某些参数拿不准时，就可以启动自动调参来帮助你寻找最优的设置；通过自动寻优得到的参数通常会比拍脑袋设置的参数要好，有时候还会带来意外的惊喜。
特征工程通常是提升推荐效果的关键，做高阶的特征组合通常有助于提升模型效果，但是高阶组合的空间非常大，无脑组合会导致特征爆炸，拖累训练和推理的速度。因此，EasyRec引入了自动特征工程(AutoFeature)的能力，自动寻找有提升的高阶特征，进一步提升模型的效果。
搜索结果(top5)：
查看本文全部内容，欢迎访问天池技术圈官方地址：https://tianchi.aliyun.com/forum/post/354303
