1 背景
在推荐系统中，i2i类型的召回往往在多路召回中扮演中重要的角色，具有效率高、覆盖广、可解释、易调控等优势。常用的算法一般有swing,icf,wbcos以及item2vec等，虽然不同算法逻辑不同，实际上构建的倒排结果往往具有一定的重复，并且多路 i2i 在线上并存往往也会带来维护成本高，迭代效率低等问题。那么，ranki2i 是较为通用的将各种 i2i 有效整合到一起的一种方案。
2 算法逻辑
ranki2i 算法承载着两个目标：
- 合并分散的 i2i 召回；
- 提高 i2i 召回效率。
为了完成上述 2 个目标，相应的转化成以下两个方案：
- 构建一个 i2i 预估模型；
- 对所有的 i2i 候选 pair 对进行预估构建截断倒排结果。
2.1 样本
因为最终是构建 i2i 的预估模型，那么重点的数据来源便是 i2i 后验数据，主要有以下 2 种：
- 推荐中已有的 i2i 行为日志数据（线上已有 i2i 类召回）；
- 相关推荐等场景的 i2i 行为日志（线上无 i2i 召回）。
一般第 1 类样本更重要，效果要更好，这也符合训练和预估任务一致性的要求。
但无论哪一种，我们都可以从对应日志中提取 user-trigger_item-target_item-label 结构的归因样本。也即某个用户看过某个 trigger_item 后，对于其相关的 target_item 的偏好结果 label 是什么。
如此便有了 ranki2i 正样本（曝光点击）和负样本（曝光未点击），但是和其他召回模型类似，只使用曝光的数据来构建样本往往是有偏的。对于负样本我们还需要大量的负采样，一般可以是全局负采样或 in-batch 负采样，具体 hard neg 和 easy neg 占比需要通过实验来调整。
样本除了归因表之外，另一个要素便是特征体系，由于线上是 i2i 召回，那么主要就是构建 item 特征体系，只要是 item 维度的即可，一般可以从以下几个方面着手：
- 统计类特征：曝光pv、点击pv、ctr、cvr、price等；
- 属性类特征：类目id，品牌id，适用人群，颜色等；
- 上下文特征：召回 channel（swing 等），召回分数（i2i 算法 score）等；
- 多模态特征：item 的 nlp 文本向量，图片的 cv 预训练向量等。
2.2 模型
因为 i2i 线上往往是使用用户的行为序列中的 item 作为 trigger 去倒排中召回 item。那么结合上述的样本结构，我们就需要构建一个由 trigger_item vs target_item 组成的 pair 对样本，模型结构可以选择双塔模型，两边的特征体系往往一模一样，仅仅是为了训练出用户一般在看了某个 trigger_item 后最有可能还看哪些 target_item。
所以模型的结构往往比较简单：
input：trigger_item 和 target_item 的 features；forward：input 在 concat 后喂入 NN 即可；loss：构建 ctr loss，多目标的话也可构建多头网络。
2.3 预估倒排
在 ranki2i 样本和模型中，主要为了提高 i2i 的效率，那如何将模型的能力转为 i2i 的效果，并起到对分散的各路 i2i 进行合并的作用呢？
一个比较自然的想法：为了确保分散的各路 i2i 候选集都有参与的机会，那么就将 swing 等所有 i2i 的倒排合并去重后，对所有的 pair 对应用上述 i2i 模型进行预估，然后根据预估结果（ctr预估分或各个多目标分）倒序排列后截断。
如此便得到了融合的 i2i 倒排，由于以下2点，往往此路 i2i 能够替换所有分散的 i2i 的效果：
- 基于场景内真实 i2i 样本数据训练得到；
- 将所有 i2i 倒排融合后进行排序的结果。
2.4 其他调优
在实际应用中，一般效率上是有比较明显的效果。并且能够降低 i2i 线上的复杂度，提高优化效率，否则 i2i 分散在多路中，提升效果难以撬动整体。
针对 ranki2i 本身依然有不少调优策略，这里简单列举几个博主自己实践中的经验：
- 模型需要增量更新一段时间，尽可能覆盖 pair 对；
- 负采样上，尽量达到曝光负样本的量级；
- 预估长尾 pair 对由于训练不充分（甚至没出现过），需要考虑置信度，比如长度阶段后需要进一步分数截断，或者类目调权。
- 在线召回的策略迭代就和单路的差不多，例如拆分长短兴趣召回等。