今天我们就来探讨一篇论文《One Model to Serve All: Star Topology Adaptive Recommender for Multi-Domain CTR Prediction》，该论文称一个模型能服务所有的点击率模型。传统的推荐系统，都是每个业务领域训练一个模型服务该业务，然而，在大型商业平台上，推荐系统需要对多个业务域进行点击率（CTR）预测。

不同的业务域有重叠的用户组和items，因此存在共性。因为特定用户组可能有所不同，用户行为可能会在特定的业务域内发生变化，所以不同的域也有较大的区别。区别导致不同领域有特定的数据分布，这使得单一的共享模型很难服务所有域。

针对这个问题，论文提出了星型拓扑自适应推荐器（STAR），该模型高效地学习并服务于所有领域。具体地说，STAR具有星拓扑结构，包含共享中心参数和特定域的参数。共享参数用于学习所有域的共性，特定域的参数捕获域之间的区别，从而更精确预测。给定来自不同域的请求，STAR可以根据不同的域调整其参数。到目前为止，STAR一直是部署在阿里巴巴展示广告系统中，获得CTR平均提高8.0%，RPM平均提高6.0%。

如下图所示，就是两个业务领域，一个是首页推荐，一个是猜你喜欢，都是为用户推荐他可能购买的商品。首页推荐在淘宝首页的最上方，可以是商品、商店、品牌等。而猜你喜欢都是商品。除了直接混合训练数据，直接粗暴的训练一个共享参数的点击率模型，另一个方案是每个业务领域训练一个模型，这样会有以下问题：

• 一些业务训练数据不足
• 维护太多模型成本过高

所以该论文提出去学习一个高效的点击率模型，可以同时处理上百个业务领域。模型的输入是(x, y, p)，x是各个领域共有的特征，如用户行为序列，用户画像，商品特征，上下文特征等。y表示是否点击，p表示业务领域的标识。因为数据来自不同p，所以模型要准确的捕捉不同领域直接的数据分布差。

说了这么多，大家可能有疑惑，这难道不是多任务问题？论文中也做了解释，这和多任务是完全不同的，多域问题是解决不同域的同一个问题，比如预测不同域的点击率。而多任务优化目标是多个的，比如同时优化点击率和转化率。现有的多任务学习框架都是共享底层，不同的任务用不同的输出层，对于多域问题，并不能充分挖掘不同域之间的关系。所以STAR横空出世了，如下图所示，每个域都有自己特定参数，而且共享中心参数。

如上图(右)所示，STAR由3个模块组成:

• partitioned normalization (PN)
• star topology fully-connected neural network (star topology FCN)
• the auxiliary network

先采样一个业务域p，然后采样B个样本，如下所示：

然后通过pooling和concat等操作，获得B个固定长度的embeding。先后输入到PN和FCN中，p直接映射成embedding，和FCN的输出合并，作为最终的输出，这样既能捕捉不同域的共性和异性，也能显示的捕捉域的特性。

PN：其实就是修改了batch normalization(BN)，因为BN假定样本都是来自同一分布的，但是由于我们这篇论文中的数据来自于不同的域，所以BN中的参数，在不同域中是不一样的，所以修改如下：

STAR Topology FCN：

经过PN后我们得到z'，然后就要输入到星形(多个)全连接的前馈神经网络中，有一个共享参数的前馈神经网络，还有M个(域的个数)对应不同域的前馈神经网络，最后FCN层定义如下:

Auxiliary Network：

如果只让模型自己去学习不同域的差异是很困难的，如何显示的把域的信息加入到模型中呢？所以提出了Auxiliary Network，即直接把p embedding，和其他特征的embedding进行concat，然后输入到网络中得到sa，FCN的输出定义为sm，然后通过下式得到最终输出，最后用log loss进行模型的学习。

对比各个域在各个模型(包含单任务，多任务模型)的效果，我们也发现STAR的表现均最优。

https://mp.weixin.qq.com/s/heYKjH6aGZ0qOvwwY3_Dhg