yu-ya4
commented
4 years ago Instagram の推薦システムの概要
Link: https://ai.facebook.com/blog/powered-by-ai-instagrams-explore-recommender-system/
推薦システムの設計を記述する独自言語 IGQL
以下のような形で推薦システムのアルゴリズムを記述できる。
user
.let(seed_id=user_id)
.liked(max_num_to_retrieve=30)
.account_nn(embedding_config=default)
.posted_media(max_media_per_account=10)
.filter(non_recommendable_model_threshold=0.2)
.rank(ranking_model=default)
.diversify_by(seed_id, method=round_robin)- C++ で実行。実行効率最強。
- Python ライクなアルゴリズム記述
- 実験が爆速に。
アカウントを embedding する ig2vec
ユーザの過去のアカウントとの interaction 系列を文書とみなして word2vec ライクな学習を行う Ig2vec というアルゴリズムを利用して，似ているアカウントを判定する。同じような interaction 系列を持つアカウントは似ている。（ユーザとアカウントを使い分けてるので注意。）
embedding だけを用いてアカウントのトピックを予測する分類器を訓練させて，その分類性能で embedding 自体を評価。 さくっと personalize したランキングを作れた。
推薦システムの仕組み
sourcing stage と ranking stage の２層に分かれている。 前者でザックリと推薦する候補を絞って，後者で候補を並び替えてランキングを作成する。
- Candidate Generation
- ユーザの過去の interaction したアカウントを seed アカウントとする
- seed アカウントに近い/似ていいるアカウントを取得する
- embedding を利用
- アカウントが持つコンテンツ（写真とか動画とか）を取得する
- ここで不適切なコンテンツの filtering も行う
- ユーザごとに 500 件にまで絞る
- Ranking candidates
- 3 つのステージがある
- First pass
- 軽量なモデル。候補のコンテンツの蒸留に用いる。
- 500 -> 150
- Second pass
- 軽い NN。もうちょい候補を絞る。
- 150 -> 50
- Final pass
- 本気の NN。最終的なスコアリングを行う。
- 50 -> 25
- ユーザの各コンテンツへの positive な interaction を予測する。
- multi-task multi-label (MTML) neural network
- interaction の重みは人によって変える（人によって like と save の重みが違う）
- ヒューリスティックなシンプルなルールを追加して多様性を考慮している。
- 同じアカウントのメディアとかはあまり重複しないようにペナルティを与えている。
hakubishin3
yuko-i
agatan
shugo1107
Why
この会は、推薦や機械学習、その周辺技術を通じてサービスを改善することにモチベーションのある人達の集まりです。
発信のため、ここは public にしてあります。外部からの参加をご希望の方は Wantedly よりご連絡ください！
What
Wantedly では隔週木曜日に
といった話をする「推薦・機械学習勉強会」を開催しています。 この ISSUE はその会で話すネタを共有するための場所です。
話したいことがある人はここにコメントしましょう！ 会の間に話した内容もここにメモしましょう！
prev: #26