今天给大家介绍的是阿里公开的一篇论文，主要介绍如何使用统一的模型在多domain进行CTR预估。论文标题为《One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction》，一起来看一下。

1、背景

在大的电商公司如阿里和亚马逊，通常需要对多个业务domain的商品进行点击率预估，如下图所示，顶部的banner和猜你喜欢频道均需要进行CTR预估。

对于这种多domain的情况，常见的做法是每个domain使用自己独有的数据训练单独的模型，并单独部署上线。这种做法存在一定的缺陷，首先，部分业务线的数据比较稀疏，模型难以得到充分的训练，其次，不同的业务线的模型单独训练，需要更多的计算资源和人力资源消耗。

不同domain的用户和商品具有一定的交集，因此不同domain的信息共享，在一定程度上可以提升CTR预估模型的效果，但同时，不同的domain的用户行为存在一定的差异，导致数据分布存在一定差异，简单的混合所有domain的数据来学习一个共享的模型，用于所有domain的CTR预估，可能达不到预期的效果。那么，如何有效利用各域的数据，使用统一的模型来进行multi-domain的CTR预估呢？接下来，一起来学习下论文中提出的方法。

2、方法介绍

论文中提出的方法称作star topology adaptive recom- mender (STAR)，其整体的结构如下图所示：

该结构主要包含三个主要的模块，分别是：partitioned normalization (PN)、star topology fully-connected neural network (star topology FCN)和auxiliary network，接下来，我们对这三部分进行分别介绍。

2.1 embedding layer

模型的输入主要包括用户历史行为序列，用户画像特征，上下文特征，目标商品特征。辅助网络还会包括domain标识特征。接下来，ID类特征通过embedding layer转换成对应的embedding。这里，由于embedding参数量较大，不同domain的域共享同一套embedding以减少参数量。

2.2 partitioned normalization

接下来，用户行为序列对应的embedding进行pooling，并与其他的embedding进行拼接，得到的向量计作z。为了使网络学习的更快更稳定，通常的做法是加入BN层。在训练阶段，计算每一个batch的均值和方差，并通过如下的方式对数据进行转化，其中𝛾和𝛽使训练学习的参数：

而在测试阶段，计算全部样本的均值和方差，并通过如下的方式对测试数据进行转化：

然而，在多domain的CTR预估中，数据只有在其对应的domain内被认为是独立同分布的，如果使用相同的均值／方差以及参数𝛾和𝛽，难以体现不同domain的独有信息，从而使模型效果变差。因此，论文提出了partitioned normalization，假设当前的batch数据是从第p个domain得到的（训练的时候，一个batch的数据要保证是同一个domain的），那么基于如下的公式对数据进行转化：

可以看到，除全局的𝛾和𝛽参数外，每个domain还有其独有的参数𝛾_p和𝛽_p。而在测试阶段，使用每个domain数据的均值和方差，转换公式如下：

2.3 Star Topology FCN

经过PN层，得到的输出计作z',并输入到topology multi-layer fully-connected neural network（简称Star Topology FCN）中。Star Topology FCN包含两部分，一部分是所有domain共享的网络，参数计作W和b，另一部分是每个domain独有的网络，第p个domain的参数计作W_p和b_p。假设共有M个domain，那么Star Topology FCN中共有M+1个网络。

基于共享网络和独有网络，每个domain的最终网络参数为：

输出计算公式为：

通过共有的网络，可以学习不同domain共通的信息，而通过独有的网络，可以捕获每个domain私有的信息。当然，还有其他中的结合方式，如z'分别输入到共享网路和独有网络中，对得到的输出再进行计算，这种方式或许可以得到更好的效果，但计算复杂度是有提升的。

2.4 auxiliary network

最后一部分是auxiliary network。论文认为一个好的多domain的CTR预估模型应该具备如下的特性：

1）具有domain独有的特征
2）这些domain相关的特征能够直接影响CTR预估的效果

其背后的思考是：描述domain信息的特征非常重要，因为它可以减少模型捕获domain之间区别的难度。

因此，论文提出了auxiliary network来进一步学习domain之间的差异。而主要加入的特征是domain ID特征，并通过embedding层转换为对应的embedding。随后与其他特征进行拼接，通过全链接网络得到输出（这里其他特征论文没有详细说明）。假设star topology FCN的输出为s_m,而auxiliary network的输出为s_a，则最终的输出为：

损失计算如下：

好了，整体的模型就介绍到这里，接下来简单看一下论文的实验结果。

3、实验结果

首先看一下论文中使用的数据，共19个domain的数据，如下表所示：

STAR与base模型在不同domain上AUC的表现如下，可以看到，STAR在所有domain中表现都更好：

文中对比的baseline模型大都是多任务学习模型，multi-domain和multi-task之间的区别主要是：multi-domain的模型大都解决的是不同domain的相同问题，如CTR预估，其label space是相同的；而multi-task一般解决的是相同domain内的不同任务，如CTR预估和CVR预估，其label space是不同的。

接下来再看一下其模块实验，主要是验证了不同模块的有效性：

最后看一下STAR是否能够捕获不同domain之间的差异性，论文对比了base模型和STAR在不同domain的PCOC指标的结果（PCOC，predicted CTR over CTR，预测的平均CTR／实际的平均CTR），如果PCOC接近于1，则说明预测更加准确，可以看到，STAR对于domain之间的差异性捕获较好，PCOC大都接近于1：

好了，年关将至，祝小伙伴们的2020年都能有一个好的收尾！