设计范式（Design Pattern）是各位码农都应该熟悉的概念。Design Pattern针对软件开发普遍存在的各种问题，提出可复用解决方案。同时，Design Pattern也为程序员之间的交流提供了共同语言。比如，我说我的程序采用了Template Method模式，其他程序员就能对我的程序结构猜个八九不离十。

其实，在我们设计推荐算法模型的时候，也有很多设计范式，比如：

• 遇到稀疏特征，就想到先embedding，上面再接上mlp
• 双塔是“召回”或“粗排”的首选
• 看到user action history，就想给它们加上个target-attention或self-attention
• ......

在工程化做得好的团队里，以上这些“范式”已经模块化、服务化，高度复用，基本可以做到“开箱即用”。另外，它们也为我们算法同仁提供了共同语言，比如只要提到“双塔”这两个字，它的网络结构、应用场景、优缺点就都出现在我的脑海中，不用再费口舌了。

本文总结归纳一种新的推荐模型的设计范式，区区不才，我将之命名为“动态权重”（Dynamic Weight，DW）。这种范式被多个团队实践并公开发表过，只不过是在不同的论文里，起着不同的名字，针对不同的问题而提出。因此，这些之前孤立的成果，缺乏串联、归纳和总结，不为广大算法同行所熟悉。本文试图补上这一环节，为这种新的设计范式“摇旗呐喊”，希望能启发更多的算法同行。

“动态权重”模式

我在《先入为主：将先验知识注入推荐模型》 就明确指出，大型推荐系统要面对多场景，而多场景的训练数据存在分布差异。比如：

• 对一个跨国app，不同国家的用户的消费习惯存在差异
• 同一个app，不同使用场景，比如单列 vs. 双列，用户行为也有较大差异
• 新老用户的行为模式也存在很大的不同

面对这种差异，一种作法是将拆分数据，每个场景（不同国家、单双列、新老用户）单独训练、部署模型。但是这种作法也有缺点：

• 有的场景数据少，单独训练根本训不出来，必须依靠大数据场景的知识迁移。
• 每个场景，单独训练和推理，资源占用太多，而且日后的升级、维护都比较麻烦。

单独建模行不通，把所有数据合在一起训练就行了吗？最大的问题在于，各个场景的数据量严重不均衡。合一起训练，整个模型会被数据丰富的场景主导，从而在数据量少的场景表现欠佳。

以上描述的就是，一个多场景推荐系统所面临的“分也不是，合也不是”的两难问题。现阶段，业界应对多场景推荐问题，主要是从“特征”和“结构”两个技术方向上想办法：

• • 设计多场景之间有明显区分性的特征，或者叫“场景敏感”的特征。比如，多国家场景下，用户和作者的国籍、语言；新老用户场景下，是否新用户、用户是否登录、用户使用天数等。这方面的工作非常重要，但是能做的也不是非常多。
  • 另外，有了这些特征，将它们加入模型的方法也非常讲究。如果和其他特征一同接入DNN的最底层，让信息慢慢向上传，传到最后，这些“场景敏感”特征对最终预测结果还有多少影响力，也不好说了。
  • 主要是一些多塔结构，每个场景对应一个塔，多塔之间既共享信息，又要避免数据少的塔不被数据多的塔带偏太多。这方面的成果主要有阿里的STAR和HMOE，在我之前的文章《初来乍到：帮助新用户冷启的算法技巧》 已经介绍过了，感兴趣的同学出门左转。

Dynamic Weight模式是在以上“特征”和“结构”之外开辟了一条新的技术路线，即在DNN Weight上做文章。

• 将“场景敏感”特征z，喂入一个小网络，输出一个向量W，即W=G(z)。
• 把W reshape成一个子模型Dynamic Weighted Network(DWN)。比如，W一共256维，可以reshape成一个128->64->64的三层MLP。
• 拿以上根据“场景敏感”特征动态生成权重的DWN，接入整个推荐模型的关键位置。即，注意这个动态网络的输入是x，就是普通特征，场景敏感与非敏感特征都包括。

• 第一，各个场景的数据还是合在一起训练的，模型参数也只有一套，方便线上维护。而且共享的模型参数，也允许数据丰富场景学习到的知识，向数据稀少的场景迁移。
• 第二，前文已经讲到过了，“场景敏感”特征如果和其他特征一样喂入DNN的最底层，很容易就“泯然众人矣”。这些“场景敏感”特征的信息，在层层向上传递过程中，被其他特征所干扰，无法对最终预测结果产生多少影响。而DW模式特别突出了“场景敏感”特征的作用，让它们像一个“滤波器”控制住了其他信息的向上传递通道。其他信息向上传递过程中，都要经过“场景敏感”特征的“调制”，根据不同场景，对前一层发现的模式局部放大或衰减。而且在将动态产生的权重reshape成DWN的过程中，DWN层与层之间可以插入非线性的激活函数，从而允许实现比较复杂的“调制”功能。

DW的应用

先来谈谈我自己在DW范式上的实践。在我之前的《先入为主：将先验知识注入推荐模型》一文中就提到过“重要特征当裁判”。

• 强bias特征作为SENet或LHUC（Learn Hidden Unit Contribution）的输入，经过sigmiod激活函数后，输出是一个N维度向量，N是所有field的个数
• 输出的N维向量代表各field的重要性，将其按位乘到各field的embedding上，起到增强或削弱的作用
• 加权后的各field embedding再拼接起来，喂入上层DNN

当时只觉得是一个trick，现在看来，根据强bias特征生成的各Field的重要性，就是在实现Dynamic Weight范式，只不过DWN只有一层罢了。

微信的PTUPCDR

微信在2021年发表论文《Personalized Transfer of User Preferences for Cross-domain Recommendation》。其核心思想是，

• 在做跨域迁移学习时，需要将soruce domain user embedding映射到target domain，即。
• 传统方法，所有用户都共享一个B(i.e., Bridge)，即这个映射函数缺乏个性化。
• 微信认为，每个用户应该拥有自己的映射函数，即个性化映射函数。

具体作法上，

• 他们将用户在source domain的action sequence喂入一个meta network；
• 输出的向量reshape成一个Personal Bridge；
• 再用动态生成的Personal Bridge完成source domain user embedding向target domain的映射，实现“个性化映射”。

阿里M2M

阿里在2022年2月发表《Leaving No One Behind: A Multi-Scenario Multi-Task Meta Learning Approach for Advertiser Modeling》。M2M针对大型推荐系统的现实痛点，“多目标+多场景”推荐：大型推荐系统要面对多个应用场景，而在每个应用场景下都要预测用户的多种行为（e.g., 点击、观看、收藏、购买、......）。

在应对多目标方面，M2M的作法比较传统，就是普通的MMoE。而在之后的步骤上，M2M采用了Dynamic Weight模式。

• 首先，M2M实现了通用模块Meta Unit。这个模块根据“场景”特征，动态生成权重，再reshape成一个MLP。
• 在整合多个expert的输出时，用Meta Unit代替普通MLP实现Attention决定各expert的权重，让“场景”特征主导多目标的信息整合；
• 在整合后的expert信息向上传递时，用Meta Unit代替普通MLP实现Residual Network，让“场景”特征控制信息传递。

阿里APG

阿里在2022年3月发表《APG: Adaptive Parameter Generation Network for Click-Through Rate Prediction》，聚焦Dynamic Weight模式中的性能问题。

假设，一个d维的“场景敏感”特征，喂入一个meta unit，结果reshape成一个的矩阵。

• 单单dynamic weight generation这一环节，其时间复杂度和空间复杂度就都是O(NMD)
• 动态生成weight之后，还要通过矩阵前代，总的时间复杂度变成了O(NMD+NM)
• 这还只是1层而已，想想M2M中要在多处都用Meta Unit代替MLP
• 而且实际推荐模型中，很多层的N和M都在“千”这个量级

为了能够将dynamic weight generation这一过程的时间复杂度和空间复杂度降下来，APG提出了由4个步骤组成的Re-parameterization。

STEP-1: low-rank parameterization

根据“场景敏感”特征动态生成的不再是一个大矩阵，而是三个小矩阵矩阵。理论上这三个小矩阵相乘的结果就等于原来的大矩阵，但是K << min(N,M)

STEP-2: decomposed feedforwarding

有了U、S、V这三个小矩阵，在前代的时候，不用重新将USV相乘重组成W再前代，而是将U、S、V依次使用于输入。

STEP-3: Parameter sharing

为了进一步减少复杂度，分解的三个小矩阵中，

• 只有中间的小方阵S是由动态生成
• U和V不再针对不同场景动态生成，而是static defined，并为多场景共享

STEP-4: Over Parameterization

因为U & V变成了static defined，而U和V有一维是K，而K << min(N,M)。APG又嫌弃U和V的表达能力不足，人为增加更多的学习参数。（这个操作有点迷:-c）

总之，我觉得APG提出的Dynamic Weight的性能问题，的确很重要，值得重视。但是，是否采用APG这种作法，还是“见仁见智”吧。大不了，没必要到处使用DW，只在关键环节使用就可以了。

本文归纳总结了名为Dynamic Weight（DW）的推荐模型设计范式：

• DW针对多场景推荐问题。
• DW根据“场景敏感”特征动态生成一个MLP的权重，代替普通MLP接入推荐模型的关键位置。
• DW突出“场景敏感”的作用。其他信息向上传递过程中，都要经过“场景敏感”特征的“调制”，根据不同场景，对前一层发现的模式局部放大或衰减。
• DW已经被腾讯、阿里多个团队投入实践，取得一定效果。

看到这里，了解阿里Co-Action Network（CAN）的同学，是不是有一种似曾相识的感觉：

• CAN和DW针对的问题很像，都是针对“合不上，分不开”的问题
  • 这和DW为每个场景单独建模，面临的“数据少场景不好训、占用资源多、不好维护”问题，很相似。
  • 这和，DW将所有场景数据合一起训练，面临的“模型被数据多的场景带偏”问题，很相似。
  • 合不上：如果每个特征只有一套embedding，需要与其他所有embedding交叉，可能相互干扰。
  • 分不开：如果每对儿交叉特征都有自己独立的embedding，特征空间太稀疏不好训，而且也占用太多资源。
• CAN和DW解决的方法很像
  • CAN把target item id/category embedding reshape成一个MLP，与user feature交叉时，就把user feature喂入这个dynamic generated MLP
  • DW利用“特征敏感”特征动态生成一个MLP，把其他所有特征喂入这个dynamic generated MLP

CAN和DW，如此相似，可谓“英雄所见略同”。

一门学科中出现“设计范式”，也就是套路，是这门学科成熟的标志。当然，目前的推荐算法，不仅成熟，而且还有点熟透了，都卷了。看到这里，也面临多场景推荐问题的同学，可以在自己的项目中卷一下Dynamic Weight了。至于效果如何，还是那句老话，等待GPU和AB平台告诉我们答案吧。