大家好，我是蘑菇先生。

Twitter近期开源了其推荐系统源码[1,2,3]，截止现在已经接近42k star。但网上公开的文章都是blog[1]直译，很拗口，因此特地开个系列系统分享下。系列涵盖：

  • Twitter整体推荐系统架构：涵盖图数据挖掘、召回、精排、规则多样性重排、混排等。参见材料[1,2]。
  • Twitter精排模型(Heavy Ranker)：包含模型结构、特征工程、多目标建模、多目标融合等，看了下居然是出自新浪微博DLP-KDD 2021的工作。参见材料[3]。
  • Twitter图模型预训练表征(TwHIN embeddings)：基于社交异构图对用户、推文做预训练，Twiiter自研TwHIN KDD 2022的工作。参见材料[3]。

本篇文章先分享Twitter整体的推荐系统架构。

引言

Twitter场景下推荐系统问题定义：

  • 输入：Twitter network，由推文、用户、交互行为等构成的超大规模异构图。
  • 输出：预测你和推文或其他用户交互的概率，进行推文或用户的推荐。

整体问题和常见的推荐系统差别不大。特色的地方在于Twitter比较关注social graph的挖掘，包括图特征、图预训练、图召回以及图模型等。

整体架构如下图，包括数据、特征工程和推荐系统服务Home Mixer。

数据：涵盖了社交图、用户的交互行为、用户画像数据等。数据这块是Twitter 的核心资产，由用户、推文和互动构成的超大规模异构社交图。

特征工程：Twitter主要关注社交图的预训练、聚类、社区发现等，这也是Twitter的特色所在。图预训练得到的向量可以用于向量召回、精排特征等。此外，还包括一小部分安全相关的工作。

推荐系统核心服务：Home Mixer，Twitter定制的Scala框架。可以认为是算法工程。类比国内大厂用的Java、Go、C++等。由三大部分构成：

  • 召回：Candidate Sources，从不同的推荐源获取最好的推文，类似推荐系统的召回阶段。Candidate Retrival。核心召回路是图召回。
  • 粗精排：使用机器学习模型对推文进行打分排序，Twitter分为Light Ranker和Heavy Ranker。分别类比推荐系统的粗排和精排阶段。
  • 重排/混排：应用启发式规则，例如过滤来自已屏蔽用户的推文、NSFW内容和已看到的推文；保证作者多样性等；以及负责广告、推文和作者混排等。

下面会围绕召回、粗排、精排、混排展开介绍。特征部分不单独设章节，会在召回和粗排中用到的地方介绍。

召回

Twitter有很多召回数据源，为用户召回最新、最感兴趣的相关推文。

  • 输入：推文候选池大小，hundreds of millions 亿万级别。
  • 输出：两类召回通道：你关注的用户圈(in-network)、你未关注的用户圈(out-of-network)，整体上，二者比例是55开，即召回一半你关注用户的推文、一半你未关注的用户的推文。当然，不同用户召回的配比会不一样。

In-Network召回

主召回路，也是最大的候选推文来源，目标是从你关注的作者推文中，检索出最新、你最可能感兴趣的推文给你，能贡献50%的推文来源。使用自研搜索引擎Earlybird[6]，检索你关注的人的推文，本质是个倒排索引。只不过索引里检索到的推文要过一个Light ranker海选粗排模型进行该召回路的截断，放在下文的粗排章节中介绍。

Out-of-Network 召回

在用户关注圈子之外寻找相关的推文推荐给用户。Twitter采取了两类召回方法：

UserTweetEntityGraph (UTEG)：协同过滤。通过分析你关注的人或有相似兴趣的人的行为，来预测你感兴趣的相关推文，比如：主要是二跳关系U2U2I，为了实现高效动态图构造和游走，内部自研了GraphJet[5]图引擎，发表在VLDB 2016上。GraphJet能够高效、动态地维护一个实时交互图(real-time interaction graph)，结点为用户和推文，边为实时交互行为，并实现高效地图游走。该方法大概能涵盖15%的推文来源。该方法得到的召回结果也要过一个Light Ranker进行海选粗排。

Embedding Spaces：表征学习。建模更加通用的问题：你对哪些推文以及哪些作者感兴趣。表征学习目标是训练得到用户表征向量和推文表征向量，再通过计算user-user、user-tweet表征之间的相似性来预测用户兴趣。主要分为稀疏嵌入和稠密嵌入两种，前者通过聚类来做表征、后者基于图学习做预训练。

  • 稀疏嵌入：最有用的表征模型是SimClusters[7]，发表在KDD 2020上，基于社区发现的异构表征模型，利用矩阵分解算法，基于social graph中有影响力的用户进行社区发现，并根据流行度和用户行为将推文和用户划分到不同空间中。一共有14.5W个社区，每3周更新一次，社区有的很大，有的很小，一个用户可以属于多个社区；每个推文也可以用社区来做嵌入，用推文在每个社区的流行度作为表征值。社区形如：
  • 稠密嵌入：使用TwHIN[8]做user、twitter的稠密嵌入表征。异构图如下图所示，得到的稠密表征计算相似度就可以用于图召回。这个部分源码开源在the-algorithm-ml中，参见[3]。下次会在系列3中进行分享。

除此之外，还提到了CR-Mixer，是个协调层，代理执行Out-of-Network多路召回，调用底层的计算服务，包括：源信号抽取(source signal extraction), 召回结果生成(candidate generation), 过滤(filtering)和粗排(light ranker)。个人理解这个服务是在多路召回后、精排前，主要用于调用多种召回服务、多路合并和粗排。

除了推文的推荐， 还介绍了推人服务(following-recommendation-service(FRS)，用于推荐作者，也是一个小的推荐系统，流程基本同主推荐系统，包括召回，排序，过滤，推荐理由，排序主要预测关注概率以及关注后进作者主页正向交互的概率，二者加权融合。

到此，我们来一览Twitter召回的核心组件：

粗排

本质是个引擎侧召回通道的海选粗排。包括2个，1个是Early Bird的in-network召回后海选粗排模型、1个是UTEG召回(GraphJet图游走)后的海选粗排模型，二者差异不大，只是特征不一样。

很老的LR模型，预测用户会交互twitter的概率，这个模型内部正准备重构。整体架构如下所示：

LR的特征涵盖了用户侧特征(tweepcred: pagerank做声誉预估，粉丝数等)、tweet特征(包括静态文本质量、实时转发、回复、关注等)以及上下文特征(用户语言)。

对交互正样本会做加权损失训练，比如：点击的权重为1，点赞的权重为2等。

在blog[1]中提到in-network召回的粗排模型用到了RealGraph，出自Twitter在KDD 2014自研的工作：RealGraph: User Interaction Prediction at Twitter[4]，本质是个LR逻辑回归模型，但预测是用户和用户的交互概率：

  • 输入：RealGraph是一个有向带权同构graph，节点是Twitter的用户、边是用户与用户的交互关系。由历史行为构成。
  • 输出：目标是预测用户和用户交互的概率，本质是个链接预测的任务。
  • 模型：会基于RealGraph以及边的特征，使用逻辑回归模型来训练，并预测交互概率。
  • 用法：基于预测得到的交互概率，交互概率越高的用户，其推文就会更多地推荐给你。

这个地方和github的代码里的real-graph对应不起来，有点出路。个人感觉可能real-graph得到的user-user probability一方面可以用于推人服务的粗排，另一方面也可以作为user-author of twitter的交叉特征，作为LR粗排模型的输入。

这块特征工程可以研究下，可能有一些实践经验收获。

看起来Twitter没有专门建设多路召回合并后的粗排模型。推测Twitter的架构中，核心召回路in-network、out-network过海选粗排模型，各挑选750个结果，一共1500个结果进精排。

精排

parallel masknet，出自新浪微博(tql）发表在DLP-KDD 2021上的：MaskNet: Introducing Feature-Wise Multiplication to CTR Ranking Models by Instance-Guided Mask[10]。

精排打分候选集数量1500，是个多目标模型。48M参数的神经网络实现的(也太小了吧！)，该网络在推特交互数据训练，优化如点赞、转发和回复等目标，考虑了数千个特征，并输出十个Label，为每条推文打分，代表交互的概率，根据这些分数对推文进行融合排序。一共10个目标，下次会细致分享Twitter的精排模型以及源码。

预测时使用简单加权求和融合排序，看起来是手拍的。

到此可以一览Twitter Ranking的核心组件：

重排

主要目的是做过滤以及支持一些产品Feature，启发式规则导向：

  • 可见性：屏蔽的推文、作者等。
  • 作者多样性：保证作者多样性。
  • 内容平衡：In-Network推文和Out-of-Network推文的控比。
  • 基于反馈的疲劳内容：用户有负反馈的时候，做些干预策略。
  • 二跳人脉过滤：排除与推文没有二级关联的out-of-network推文。 不会推荐跳数过多的无关用户。
  • 推文以及回复：推文以及推文的回复上下文展示。
  • 更新检测：确定当前设备上的推文是否过时，并发送指令以将其替换为编辑后的版本。

混排

负责主页混排（Homepage Mixer），包括：推文、广告、关注作者、Onboarding prompts等。

上面的流程每天运行大约 50 亿次，平均完成时间不到 1.5 秒。单个管道执行需要 220 秒的 CPU 时间，几乎是在应用程序上看到的延迟的 150 倍。

到此可以一览Twitter的重排、混排层核心组件：

基建

  • 模型serving服务：Navi，High performance, machine learning model serving written in Rust.
  • Feeds信息流推荐框架：Product-mixer，Software framework for building feeds of content.
  • 机器学习训练框架：twml，基于TF-1，即将废弃的机器学习框架，目前用于训练粗排Earlybird light ranker。

核心基建如下：

Twitter 2.0 透明新时代：A new era of transparency for Twitter

不得不说开源是个很大胆的举措。最后我们来一睹马斯克对于twitter 2.0的愿景[11]，全新篇章开启。

在 Twitter 2.0，我们相信作为互联网的城市广场，我们有责任让我们的平台透明化。因此，今天我们迈出了迈向透明新时代的第一步，并向全球社区开放了我们的大部分源代码。

在 GitHub 上，您会发现两个新的代码库（main repo、ml repo），包含了 Twitter 的许多源代码，包括我们的推荐算法，它负责分发您在 For You 时间轴上看到的推文。对于此版本，我们的目标是尽可能提高透明度，同时去掉了一些可能被不法分子利用的代码：这些代码主要用于保护用户安全和隐私、保护我们的平台免受不良行为者侵害，防止我们打击儿童性剥削和性操纵的努力被破坏。也去掉了一些广告推荐的算法。我们还采取了额外措施来确保用户安全和隐私得到保护，因此不发布与 Twitter 算法相关的训练数据或模型权重。

这是我们以这种方式变得更加透明的第一步，我们计划继续共享更多不会对 Twitter 或我们平台上的人构成重大风险的代码。

我们邀请社区提交 GitHub 问题和PR，以获取有关改进推荐算法的建议。我们正在开发工具来管理这些建议并将同步到我们内部代码库。任何安全问题或问题都可通过 HackerOne 提交给我们的官方漏洞赏金计划。我们希望受益于全球社区的集体智慧和专业知识，帮助我们发现问题并提出改进建议，最终打造更好的 Twitter。

作为互联网的城市广场，我们最终这样做是为了提高透明度并与我们的用户、客户和公众建立信任。随着我们在这一领域取得进展，我们将继续分享更新。

References

[4] KDD 2014：RealGraph: User Interaction Prediction at Twitter

[5] VLDB 2016：GraphJet: Real-Time Content Recommendations at Twitter

[7] KDD 2020：SimClusters: Community-Based Representations for Heterogeneous Recommendations at Twitter

[8] KDD 2022：TwHIN: Embedding the Twitter Heterogeneous Information Network for Personalized Recommendation

[10] DLP-KDD 2021：MaskNet: Introducing Feature-Wise Multiplication to CTR Ranking Models by Instance-Guided Mask