多模態技術在淘寶主搜召回場景的探索
- PHPz轉載
- 2023-04-08 23:31:061406瀏覽
搜索召回作为搜索系统的基础，决定了效果提升的上限。如何在现有的海量召回结果中，继续带来有差异化的增量价值，是我们面临的主要挑战。而多模态预训练与召回的结合，为我们打开了新的视野，带来线上效果的显著提升。
前言
多模态预训练是学术界与工业界研究的重点，通过在大规模数据上进行预训练，得到不同模态之间的语义对应关系，在多种下游任务如视觉问答、视觉推理、图文检索上能够提升效果。 在集团内部，多模态预训练也有一些研究与应用。 在淘宝主搜场景中，用户输入的Query与待召回商品之间存在天然的跨模态检索需求，只是以往对于商品更多地使用标题和统计特征，忽略了图像这样更加直观的信息。 但对于某些有视觉元素的Query（如白色连衣裙、碎花连衣裙），相信大家在搜索结果页都会先被图像所吸引。
淘宝主搜场景
一方面是图像占据着更显著的位置，另一方面则是图像可能包含着标题所没有的信息，如白色、碎花这样的视觉元素。对于后者，需要区分两种情况：一种是标题中有信息、但由于显示限制无法完全展示，这种情况不影响商品在系统链路里的召回；另一种是标题中没有信息但图像中有，也就是图像相对于文本可以带来增量。后者是我们需要重点关注的对象。
▐ 技术问题与解决思路
在主搜召回场景中应用多模态技术，有两个主要问题需要解决：
- 多模态图文预训练模型一般融合图像、文本两种模态，主搜由于有Query的存在，在原本商品图像、标题的图文模态基础上，需要考虑额外的文本模态。同时，Query与商品标题之间存在语义Gap，Query相对短且宽泛，而商品标题由于卖家会做SEO，往往长且关键词堆砌。
- 通常预训练任务与下游任务的关系是，预训练采用大规模无标注数据，下游采用少量有标注数据。但对于主搜召回来说，下游向量召回任务的规模巨大，数据在数十亿量级，而受限于有限的GPU资源，预训练只能采用其中相对少量的数据。在这种情况下，预训练是否还能对下游任务带来增益。
我们的解决思路如下：
- 文字-圖文預訓練 #：將Query和商品Item分別過Encoder，作為雙塔輸入到跨模態Encoder。如果從Query和Item雙塔來看，它們在後期才進行交互，類似於雙流模型，不過具體看Item塔，圖像和標題兩個模態在早期就進行了交互，這部分是單流模型。所以，我們的模型結構是區別於常見的單流或雙流結構的。這種設計的出發點是：更有效地提取Query向量和Item向量，為下游的雙塔向量召回模型提供輸入，並且能夠在預訓練階段引入雙塔內積的建模方式。為了建模Query與標題之間存在的語意連結與Gap，我們將Query與Item雙塔的Encoder分享，再分別學習語言模型。
- 預訓練與回想任務連結 ：針對下游向量回想任務的樣本建構方式與Loss，設計了預訓練階段的任務及建模方式。區別於常見的圖文匹配任務，我們採用Query-Item和Query-Image匹配任務，並將Query下點擊最多的Item作為正樣本，將Batch內的其他樣本作為負樣本，增加採用Query和Item雙塔內積方式建模的多分類任務。這種設計的出發點是：使預訓練更靠近向量召回任務，在有限的資源下，盡可能為下游任務提供有效的輸入。另外，對向量回想任務來說，如果預訓練輸入的向量在訓練過程中是固定不變的，就無法有效地針對大規模資料做調整，為此，我們還在向量回想任務裡建模了預訓練向量的更新。
預訓練模型
#▐ #建模方法
多模態預訓練模型需要從影像中擷取特徵，再與文字特徵融合。從影像中擷取特徵的方式主要有三種：使用CV領域訓練好的模型擷取影像的RoI特徵、Grid特徵和Patch特徵。從模型結構來看，根據影像特徵和文字特徵融合方式的不同，主要有兩類：單流模型或雙流模型。在單流模型中，影像特徵與文字特徵在早期就拼接在一起輸入Encoder，而在雙流模型中，影像特徵和文字特徵分別輸入到兩個獨立的Encoder，然後再輸入到跨模態Encoder中進行融合。
▐ 初步探索
我們擷取影像特徵的方式是：將影像分割為Patch序列，使用ResNet擷取每個Patch的影像特徵。在模型結構上，嘗試過單流結構，也就是將Query、標題、影像拼接在一起輸入Encoder。經過多組實驗，我們發現在這個結構下，很難提取出純粹的Query向量和Item向量作為下游雙塔向量召回任務的輸入。如果提取某一向量時，Mask掉不需要的模態，會使得預測與訓練不一致。這個問題類似於，在一個互動型的模型裡直接提取出雙塔模型，根據我們的經驗，這種模型的效果不如經過訓練的雙塔模型。基於此，我們提出了一個新的模型結構。
▐
類似雙流結構，模型下方由雙塔構成，上方透過跨模態Encoder融合雙塔。與雙流結構不同的是，雙塔不是分別由單一模態構成，其中的Item塔中包含了Title和Image圖文雙模態，Title和Image拼接在一起輸入Encoder，這部分類似單流模型。為了建模Query與Title之間存在的語意連結與Gap，我們將Query與Item雙塔的Encoder分享，再分別學習語言模型。
對於預訓練來說，設計合適的任務也是比較關鍵的。我們嘗試過常用的Title和Image的圖文匹配任務，雖然能達到比較高的匹配度，但對於下游向量召回任務帶來的增益很少，這是因為用Query去召回Item時，Item的Title和Image是否符合不是關鍵因素。所以，我們在設計任務時，更考慮了Query與Item之間的關係。目前，共採用5種預訓練任務。
▐ 預訓練任務
- Masked Language Modeling (MLM)：在文字Token中，隨機Mask掉15%，用剩下的文字和圖像預測被Mask的文字Token。對於Query和Title，有各自的MLM任務。 MLM最小化交叉熵Loss：
其中 表示剩餘的文字token
- Masked Patch Modeling (MPM)：在影像的Patch Token中，隨機Mask掉25%，用剩下的圖像和文字預測被Mask的圖像Token。 MPM最小化KL散度Loss：
其中 表示剩餘的圖片token
-
Query Item Classification (QIC )： 一個Query下點選最多的Item作為正樣本，Batch內其他樣本作為負樣本。 QIC將Query塔和Item塔的[CLS] token經過線性層降維到256維，再做相似度計算得到預測機率，最小化交叉熵Loss：
其中 
的計算可以有許多方法：
##其中 表示相似度計算， #表示溫度超參數， 和m分別表示縮放因子和鬆弛因子
- Query Item Matching (QIM)：一個Query下點擊最多的Item作為正樣本，Batch內與當前Query相似度最高的其他Item作為負樣本。 QIM使用跨模態Encoder的[CLS] token計算預測機率，最小化交叉熵Loss：
- Query Image Matching (QIM2)：在QIM的樣本中，Mask掉Title，強化Query與Image之間的匹配。 QIM2最小化交叉熵Loss：
在這5種預訓練任務中，MLM任務和MPM任務位於Item塔的上方，建模Title或Image的部分Token被Mask後，使用跨模態資訊相互恢復的能力。 Query塔上方有獨立的MLM任務，透過共享Query塔和Item塔的Encoder，建模Query與Title之間的語意連結與Gap。 QIC任務使用雙塔內積的方式，將預訓練和下游向量召回任務做一定程度的對齊，並用AM-Softmax拉近Query的表示與Query下點擊最多Item的表示之間的距離，推開Query與其他Item的距離。 QIM任務位於跨模態Encoder的上方，使用跨模態資訊建模Query和Item的匹配。出於計算量的考慮，採用通常NSP任務的正負樣本比1:1，為了進一步推開正負樣本之間的距離，基於QIC任務的相似度計算結果建構了難負樣本。 QIM2任務與QIM任務位於相同的位置，明確建模影像相對於文字所帶來的增量資訊。
向量回想模型
▐ 建模方法
在大規模資訊檢索系統中，召回模型位於最底層，需要在海量的候選集中評分。出於效能的考慮，往往採用User和Item雙塔計算向量內積的結構。向量回想模型的一個核心問題是：如何建構正負樣本以及負樣本取樣的規模。我們的解決方法是：將使用者在一個頁面內的點擊Item作為正樣本，在全量商品池中根據點擊分佈採樣出萬級別的負樣本，用Sampled Softmax Loss在採樣樣本中推導出Item在全量商品池中的點擊機率。
其中 #表示相似度計算， 表示溫度超參數
▐ 初步探索
#遵循常見的FineTune範式，我們嘗試過將預先訓練的向量直接輸入到雙塔MLP，結合大規模負採樣和Sampled Softmax來訓練多模態向量召回模型。不過，與通常的小規模下游任務相反，向量召回任務的訓練樣本量巨大，在數十億量級。我們觀察到MLP的參數量無法支撐模型的訓練，很快就會達到自身的收斂狀態，但效果並不好。同時，預訓練向量在向量召回模型中作為輸入而非參數，無法隨著訓練的進行而更新。這樣一來，在相對小規模資料上進行的預訓練，與大規模資料上的下游任務有一定的衝突。
解決的想法有幾種，一種方法是將預訓練模型整合到向量召回模型中，但預訓練模型的參數量過大，再加上向量召回模型的樣本量，無法在在有限的資源限制下，以合理的時間進行常態化訓練。另一種方法是在向量回想模型中建構參數矩陣，將預訓練向量載入到矩陣中，隨著訓練的進行更新矩陣的參數。經過調查，這種方式在工程實現上成本比較高。基於此，我們提出了簡單可行地建模預訓練向量更新的模型結構。
▐ 模型結構
實驗分析
▐ 評測指標
##對於預訓練模式的效果，通常是用下游任務的指標來評測，而很少用單獨的評測指標。但這樣一來，預訓練模型的迭代成本會比較高，因為每迭代一個版本的模型都需要訓練對應的向量回想任務，再評測向量回想任務的指標，整個流程會很長。有沒有單獨評測預訓練模式的有效指標？我們首先嘗試了一些論文中的Rank@K，這個指標主要是用來評測圖文匹配任務：先用預訓練模型在人工構造的候選集中打分，再計算根據分數排序後的Top K結果命中圖文配對正樣本的比例。我們直接將Rank@K套用在Query-item匹配任務上，發現結果不符合預期，一個Rank@K更好的預訓練模型，在下游的向量召回模型中可能會獲得更差的效果，無法指導預訓練模型的迭代。基於此，我們將預訓練模型的評測與向量回想模型的評測統一起來，採用相同的評測指標及流程，可以相對有效地指導預訓練模型的迭代。Recall@K ：評測資料集由訓練集的下一天資料構成，先將同一個Query下不同使用者的點選、成交結果聚合成
，再計算模型預測的Top K結果 命中 的比例：
对于向量召回模型，在Recall@K提高到一定程度后，也需要关注Query和Item之间的相关性。一个相关性差的模型，即使能提高搜索效率，也会面临Bad Case增加导致的用户体验变差和投诉舆情增多。 我们采用与线上相关性模型一致的离线模型，评测Query和Item之间以及Query和Item类目之间的相关性。
▐ 预训练实验
我们选取部分类目下1亿量级的商品池，构造了预训练数据集。
我们的Baseline模型是经过优化的FashionBert，加入了QIM和QIM2任务，提取Query和Item向量时采用只对非Padding Token做Mean Pooling的方式。以下实验探索了以双塔方式建模，相对于单塔带来的增益，并通过消融实验给出关键部分的作用。
从这些实验中，我们能得出如下结论：
- 实验8 vs 实验3：经过调优后的双塔模型，在Recall@1000上显著高于单塔Baseline。
- 实验3 vs 实验1/2：对单塔模型来说，如何提取Query和Item向量是重要的。我们尝试过Query和Item都用[CLS] token，得到比较差的结果。实验1对Query和Item分别用对应的Token做Mean Pooling，效果要好一些，但进一步去掉Padding Token再做Mean Pooling，会带来更大的提升。实验2验证了显式建模Query-Image匹配来突出图像信息的作用，会带来提升。
- 实验6 vs 实验4/5：实验4将Item塔的MLM/MPM任务上移到跨模态Encoder，效果会差一些，因为将这两个任务放在Item塔能够增强Item表示的学习；另外，在Item塔做基于Title和Image的跨模态恢复会有更强的对应关系。实验5验证了对Query和Item向量在训练和预测时增加L2 Norm，会带来提升。
- 实验6/7/8：改变QIC任务的Loss会带来提升，Softmax相比于Sigmoid更接近下游的向量召回任务，AM-Softmax则更进一步推开了正样本与负样本之间的距离。
▐ 向量召回实验
我们选取10亿量级有点击的页面，构造了向量召回数据集。在每个页面中包含3个点击Item作为正样本，从商品池中根据点击分布采样出1万量级的负样本。在此基础上，进一步扩大训练数据量或负样本采样量，没有观察到效果的明显提升。
我们的Baseline模型是主搜的MGDSPR模型。以下实验探索了将多模态预训练与向量召回结合，相对于Baseline带来的增益，并通过消融实验给出关键部分的作用。
从这些实验中，我们能得出如下结论：
- 实验7/8 vs 实验6：多模态特征与ID通过FC融合后，在3个指标上都超过了Baseline，在提升Recall@1000的同时，对商品相关性提升更多。在此基础上，加入与Baseline相同的特征，能进一步提升3个指标，并在Recall@1000上提升得更多。
- 实验1 vs 实验2：只有多模态特征相比于只有ID，Recall@1000更低，但相关性更高，且相关性接近线上可用的程度。说明这时的多模态召回模型，从召回结果来看有更少的Bad Case，但对点击、成交的效率考虑得不够。
- 实验3/4/5 vs 实验1/2：将多模态特征与ID融合后，能够在3个指标上都带来提升，其中将ID过FC再与降维后的多模态特征相加，效果更好。不过，与Baseline相比，在Recall@1000上仍有差距。
- 实验7 vs 实验5：叠加预训练模型的优化后，在Recall@1000、商品相关性上都有提升，类目相关性基本持平。
我们在向量召回模型的Top 1000结果中，过滤掉线上系统已经能召回的Item，发现其余增量结果的相关性基本不变。在大量Query下，我们看到这些增量结果捕捉 到了商品Title之外的图像信息，并对Query和Title之间存在的语义Gap起到了一定的作用。
query: 痞帅西装
query: 女掐收腰小衫
總結與展望
針對主搜尋場景的應用需求，我們提出了文字-圖文預訓練模型，採用了Query和Item雙塔輸入跨模態Encoder的結構，其中Item塔是包含圖文多模態的單流模型。透過Query-Item和Query-Image匹配任務，以及Query和Item雙塔內積方式建模的Query-Item多分類任務，使預訓練更接近下游的向量召回任務。同時，在向量召回中建模了預訓練向量的更新。在資源有限的情況下，使用相對少量資料的預訓練，對使用大量資料的下游任務仍然帶來了效果的提升。
在主搜的其他場景中，如商品理解、相關性、排序，也存在著應用多模態技術的需求。我們也參與了這些場景的探索中，相信多模態技術在未來會為越來越多的場景帶來增益。
團隊介紹
淘寶主搜召回團隊：團隊負責主搜鏈路中的召回、粗排環節，目前的主要技術方向為基於全空間樣本的多目標個人化向量回想、基於大規模預訓練的多模態回想、基於對比學習的相似Query語義改寫以及粗排模型等。
以上是多模態技術在淘寶主搜召回場景的探索的詳細內容。更多資訊請關注PHP中文網其他相關文章！