Twitter推特开源机器学习算法学习——For You重排名器及TwHIN嵌入特征算法

2023年3月31日，Twitter 部分推荐算法源码正式在 GitHub 上开放，采用 GNU Affero General Public License v3.0许可证。短短一星期，Github中该推荐算法源码已经取得了**50k+**的Star关注，可见其在算法技术圈中的火爆程度。

今天我们就来重点分析该推荐算法系统中最重要的机器学习算法。再此之前，我们先来简单看看该推荐系统的核心部分，官方博客参考链接：Twitter’s Recommendation Algorithm

系统核心部分

Twitter 官博重点介绍了Twitter如何每天从5亿条推文中展示部分精选内容，也就是“For You”列表下的算法相关推荐机制和排名。

Twitter 算法推荐的基础是一组核心模型和特征，从推文、用户和互动数据中提取潜在信息。推荐流水线由三个主要阶段组成，这些阶段使用这些特征：

1、从不同的推荐来源中获取最佳推文，这个过程称为获取候选推文；
2、使用机器学习模型对每个推文进行排名；
3、应用启发式和过滤器，例如过滤用已屏蔽用户的推文、NSFW 内容和已经看过的推文等。

负责构建和提供 For You 时间线的服务称为 Home Mixer。Home Mixer 基于 Product Mixer 构建，Product Mixer 是 Twitter 自定义的 Scala 框架，可以帮助构建内容流。该服务充当软件骨干，连接不同的候选源、评分函数、启发式和过滤器。

一句话可以总结为：Twitter先获取和你相关的各类推文，然后进行推文排名，最后将广告、关注建议和登录提示等非推文内容与排名出来的推文混合，最终展示到你设备上的For you内容，如下图所示。

机器学习算法

博主对Twitter开源出的推文排名的机器学习算法，比较感兴趣。我们先看下在这次项目开源过程中开源的最重要的两块ML模型：

1. The “For You” Heavy Ranker： For You 重排名器算法
2. TwHIN embeddings：TwHIN 嵌入算法

The “For You” Heavy Ranker

1、简介

重排名器是用于对已经通过候选检索阶段的“For You”时间轴的推文进行排名的机器学习模型。它是漏斗的最后阶段之一，主要由一组过滤启发式成功。

该模型接收描述推文和推文被推荐给的用户的特征（具体可参考FEATURES.md）。关于Features的详细解析，博主放到后面再进行研究分析。模型架构是一个并行的MaskNet算法，它输出一组0到1之间的数字，每个输出代表用户以特定方式参与推文的概率。预测的参与类型解释如下：

scored_tweets_model_weight_fav:用户喜欢这条Tweet的概率。
scored_tweets_model_weight_rettwitter:用户转发该Tweet的概率。
scored_tweets_model_weight_reply:用户回复Tweet的概率。
scored_tweets_model_weight_good_profile_click:用户打开推文作者配置文件并点赞或回复推文的概率。
scored_tweets_model_weight_video_playback50:用户至少看一半视频的概率。
scored_tweets_model_weight_reply_engaged_by_author:用户回复Tweet并且该回复被Tweet作者占用的概率。
scored_tweets_model_weight_good_click:用户点击进入该推文对话并回复或点赞推文的概率。
scored_tweets_model_weight_good_click_v2:用户点击进入这条Tweet对话并在那里停留至少2分钟的概率。
scored_tweets_model_weight_negative_feedback_v2:用户做出负面反应的概率(请求在Tweet或作者、block 或mute上“少显示”)

通过跨预测的参与概率进行加权求和，将模型的输出组合成最终模型分数。每个参与概率的权重来自配置文件，由这里的ScoredTweetsParam.scala文件服务堆栈读取。文件中的确切权重可以随时调整，但当前概率权重（2023年4月5日）如下：

scored_tweets_model_weight_fav: 0.5
scored_tweets_model_weight_retweet: 1.0
scored_tweets_model_weight_reply: 13.5
scored_tweets_model_weight_good_profile_click: 12.0
scored_tweets_model_weight_video_playback50: 0.005
scored_tweets_model_weight_reply_engaged_by_author: 75.0
scored_tweets_model_weight_good_click: 11.0
scored_tweets_model_weight_good_click_v2: 10.0
scored_tweets_model_weight_negative_feedback_v2: -74.0
scored_tweets_model_weight_report: -369.0

公式如下：

score = sum_i { (weight of engagement i) * (probability of engagement i) }

由于每个engagement 具有不同的平均概率，所以权重最初被设置为平均，即每个加权的engagement概率对分数贡献几乎相等的量。从那时起，我们定期调整权重，以优化平台指标。

一些免责声明：

由于需要确保它独立于Twitter代码库的其他部分运行，因此与生产模型可能会有一些小的差异。
由于隐私限制，我们无法发布真实的训练数据。但是，我们已经包含了一个脚本来生成随机数据，以确保您可以运行模型训练代码。

2、开发

按照repo设置说明操作后，您可以在虚拟环境中运行以下脚本，在 $HOME/tmp/recap_local_random_data 中创建随机训练数据集：

projects/home/recap/scripts/create_random_data.sh

然后，您可以使用以下脚本训练模型。检查点和日志将写入 $HOME/tmp/runs/recap_local_debug ：

projects/home/recap/scripts/run_local.sh

可以在 projects/home/recap/config/local_prod.yaml 中配置模型训练

3、python源码

详见官方Twitter Github。

TwHIN embeddings

1、简介

该算法包含用于预训练Twitter实体的密集向量嵌入功能的代码。在Twitter中，这些嵌入用于候选检索，并作为各种推荐系统模型中的模型特征。

我们基于Twitter中的各种图形数据获得实体嵌入，例如：“用户关注用户”“用户收藏夹推文”“用户点击广告”

虽然由于隐私限制，我们无法发布用于训练TwHIN嵌入的图形数据，但可以使用大量子采样的匿名开源图形数据： https://huggingface.co/datasets/Twitter/TwitterFollowGraph https://huggingface.co/datasets/Twitter/TwitterFaveGraph

代码要求parquet文件包含三列：lhs、rel、rhs，分别表示图中每条边的左侧节点、关系类型和右侧节点的词汇索引。

必须在projects/twhin/configs中的配置yaml文件中指定数据的位置。

2、工作流

1）构建本地开发映像

./scripts/build_images.sh

2）运行Docker环境命令

./scripts/docker_run.sh

3）迭代训练图像

./scripts/idocker.sh

4）运行测试

./scripts/docker_test.sh

3、python源码

详见官方Twitter Github。

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。