在“精準推薦者得民心”的今天，推薦系統(tǒng)已成為各大互聯(lián)網(wǎng)公司的標配。但由于現(xiàn)實中很多數(shù)據(jù)是非歐氏空間生成的（例如，社交網(wǎng)絡(luò)、信息網(wǎng)絡(luò)等），一些復雜場景下的業(yè)務(wù)需求很難通過協(xié)同過濾等基于歷史行為挖掘用戶或產(chǎn)品相似性的傳統(tǒng)算法來滿足。圖神經(jīng)網(wǎng)絡(luò)作為一種約束性較少、極其靈活的數(shù)據(jù)表征方式，在深度學習各主要領(lǐng)域中嶄露頭角，一系列圖學習模型涌現(xiàn)并得到越來越多的應(yīng)用。

網(wǎng)易云音樂在推薦領(lǐng)域的探索

作為國民級的音樂App，網(wǎng)易云音樂很久之前就將定位從傳統(tǒng)的音樂工具軟件轉(zhuǎn)移到音樂內(nèi)容社區(qū)，致力于聯(lián)結(jié)泛音樂產(chǎn)品與用戶，打造最懂用戶的音樂 App。在音樂內(nèi)容社區(qū)中，直播可以說是用戶參與度極高的場景了，云音樂內(nèi)部投入了大量的人力物力以求將匹配度更高的主播推薦給用戶，但仍然面臨多重嚴峻的挑戰(zhàn)。

如何破解歷史行為稀少的用戶冷啟動問題

眾所周知，推薦系統(tǒng)的整體框架主要包括召回、粗排和精排3個部分。其中，最底層的召回模型具有舉足輕重的作用，而成功的召回推理需要依賴充足的歷史數(shù)據(jù)。但在云音樂的業(yè)務(wù)場景中，通過站內(nèi)廣告看到直播推薦的用戶很大比例是直播功能的新用戶，即沒有產(chǎn)生過觀看直播行為數(shù)據(jù)的用戶。如何向這類數(shù)據(jù)稀疏的用戶推薦合適的內(nèi)容成了亟待解決的難題，這類問題也通常被稱為冷啟動。

大規(guī)模圖模型如何訓練？

云音樂現(xiàn)有計算資源已全面實現(xiàn)容器化部署，對于各個業(yè)務(wù)團隊來說，計算資源都是有限的，需要以最高效合理的方式利用有限的資源。如何在有限的分布式資源調(diào)控策略下低本高效地完成大規(guī)模圖神經(jīng)網(wǎng)絡(luò)的模型訓練，成為必須攻克的難題。

PGL圖神經(jīng)網(wǎng)絡(luò)助力推薦場景落地

為了解決以上問題，網(wǎng)易云音樂的研發(fā)團隊調(diào)研了大量開源方案，最終選擇了對大規(guī)模圖訓練更加友好的百度飛槳分布式圖學習框架PGL，作為云音樂的基礎(chǔ)框架。

基于PGL的行為域知識遷移解決冷啟動問題

云音樂直播場景的新用戶中，有很多在音樂、歌單、Mlog 等業(yè)務(wù)中產(chǎn)生過較豐富的歷史行為，能否通過將這部分歷史行為知識映射到直播領(lǐng)域，來解決“行為”數(shù)據(jù)不足的問題呢？ 帶著疑問，云音樂引入了圖模型結(jié)構(gòu)，以多種不同類型的實體（如歌曲、DJ、Query、RadioID 等）為節(jié)點，通過用戶與主播、用戶與歌曲、Query與主播等歷史行為關(guān)系，構(gòu)建了一張統(tǒng)一的圖關(guān)系網(wǎng)絡(luò)。 然后，基于飛槳圖學習框架 PGL對圖模型進行訓練。先采用 DeepWalk、Metapath2Vec、GraphSage等模型學習出足夠強大的Graph Embedding表示來建模實體ID；再通過向量召回，將用戶在歌曲、Query等處的行為遷移到主播領(lǐng)域，達到召回合適主播的目的。

基于PGL通用的分布式能力進行訓練

云音樂的數(shù)據(jù)規(guī)模非常龐大，數(shù)據(jù)關(guān)系即使經(jīng)過裁剪也高達億級別以上。在常用的硬件資源配備情況下，此等量級規(guī)模的數(shù)據(jù)早已成為某些開源的圖神經(jīng)網(wǎng)絡(luò)框架的瓶頸，需要使用極其昂貴的計算資源才能解決。對于數(shù)據(jù)規(guī)模必將持續(xù)增大的云音樂來說，相較于使用什么類型的模型，能否在這種數(shù)據(jù)規(guī)模下訓練出模型才是優(yōu)先要考慮的關(guān)鍵問題，也是網(wǎng)易云音樂與PGL成功牽手的關(guān)鍵因素！ 百度飛槳深度學習平臺PaddlePaddle 2019年開源的分布式圖學習框架PGL，原生支持圖學習中較為獨特的分布式圖存儲（Distributed Graph Storage）和分布式采樣（Distributed Sampling），可以方便地通過上層Python接口，將 圖的特征（如Side Feature等）存儲在不同的Server上，也支持通用的分布式采樣接口，將不同子圖的采樣分布式處理，并基于PaddlePaddle Fleet API來完成分布式訓練（Distributed Training），實現(xiàn)在分布式的“瘦計算節(jié)點”上加速計算。這些能力對云音樂內(nèi)容社區(qū)直播推薦遇到的訓練問題來說，極具魅力！ 實驗對比顯示，在主播推薦場景采用圖計算帶來有效觀看大幅提升，尤其在新用戶和新主播冷啟動上引入其它域數(shù)據(jù)后有了明顯提升。

想了解更多落地細節(jié)和實戰(zhàn)經(jīng)驗？

3月16日，網(wǎng)易云音樂機器學習平臺與框架負責人段石石，將在飛槳B站直播間分享深度學習實戰(zhàn)進階課程《圖神經(jīng)網(wǎng)絡(luò)在云音樂業(yè)務(wù)落地》。除了上面提到的數(shù)據(jù)稀疏性、冷啟動召回和大規(guī)模分布式訓練等業(yè)務(wù)難題的解決方案，段老師還將分享云音樂如何應(yīng)對訓練數(shù)據(jù)質(zhì)量、瘦計算節(jié)點等技術(shù)挑戰(zhàn)。 3月17日，百度高級算法工程師蘇煒躍將分享《分布式圖學習框架PGL及其推薦應(yīng)用》，重點介紹圖學習算法的理論基礎(chǔ)、圖學習框架PGL的特點和優(yōu)勢；同時將通過演示經(jīng)典大規(guī)模推薦場景的圖學習訓練過程，幫助大家快速學習和實現(xiàn)產(chǎn)業(yè)級的圖模型實踐。


責任編輯：lq