作者：京東零售 陳航

0000 生成式推薦系統(tǒng)優(yōu)勢介紹

推薦系統(tǒng)的主要任務(wù)是根據(jù)用戶的歷史行為預(yù)測其興趣點(diǎn)，并向其推薦相應(yīng)的商品。傳統(tǒng)的推薦系統(tǒng)在處理用戶請求時(shí)，會觸發(fā)多個(gè)召回模塊（包括熱門商品召回、個(gè)性化召回、深度召回等），以召回大量候選商品。隨后，系統(tǒng)通過相對簡單的粗排模型對候選集進(jìn)行初步篩選，縮小候選范圍，最后通過精排和重排模型，確定最終返回給用戶的推薦結(jié)果。

隨著大語言模型（LLM）在推薦系統(tǒng)中的應(yīng)用，生成式推薦系統(tǒng)相比傳統(tǒng)推薦系統(tǒng)展現(xiàn)出以下優(yōu)勢：

1）簡化推薦流程：生成式推薦系統(tǒng)實(shí)現(xiàn)了從多級過濾的判別式（discriminative-based）架構(gòu)向單級過濾的生成式（generative-based）架構(gòu)的轉(zhuǎn)變。通過直接生成推薦結(jié)果，簡化了推薦流程，降低了系統(tǒng)復(fù)雜度。

2）知識融合：LLM 具有更強(qiáng)的泛化能力和穩(wěn)定性。利用 LLM 所包含的世界知識和推理能力，可以突破傳統(tǒng)電子商務(wù)平臺在商品和用戶建模中存在的數(shù)據(jù)局限性。在新用戶和新商品的冷啟動以及新領(lǐng)域的推薦場景中，生成式推薦系統(tǒng)能夠提供更優(yōu)的推薦效果和更好的遷移性能。

3）規(guī)模定律 （Scaling Law）：傳統(tǒng)的點(diǎn)擊率（CTR）稀疏模型在模型規(guī)模擴(kuò)大時(shí)，邊際收益遞減現(xiàn)象明顯。而 LLM 所表現(xiàn)出的規(guī)模定律屬性，為模型的有效擴(kuò)展提供了一種新模式，即模型性能隨著規(guī)模的增加而持續(xù)提升。這意味著通過擴(kuò)大模型規(guī)模，可以獲得更好的推薦效果，突破傳統(tǒng)模型的性能瓶頸。

0001 生成式召回方案介紹

1、生成式召回算法與實(shí)現(xiàn)簡介

生成式推薦涉及兩個(gè)接地（grounding）過程：一是建立商品與自然語言的連接。二是建立用戶行為與目標(biāo)商品之間的連接。為實(shí)現(xiàn)這兩個(gè)過程，我們需要以下幾步：

1）商品表示：在實(shí)際操作中，直接生成文檔或商品描述幾乎是不可行的。因此，我們采用短文本序列，即語義 ID，來表征商品。選取高點(diǎn)擊商品的標(biāo)題、類目等語義信息，經(jīng)由編碼器模型獲得向量表示，再利用 RQ-VAE 對向量進(jìn)行殘差量化，從而獲得商品的語義 ID。例如，商品：“XXX品牌 14+ 2024 14.5 英寸輕薄本 AI 全能本高性能獨(dú)顯商務(wù)辦公筆記本電腦” 可表示為：。

2）用戶畫像&行為建模：通過構(gòu)建提示詞來定義任務(wù)，并將用戶相關(guān)信息（例如用戶畫像和用戶歷史行為數(shù)據(jù)）轉(zhuǎn)化為文本序列。例如：“用戶按時(shí)間順序點(diǎn)擊過這些商品：,, 你預(yù)測用戶下一個(gè)可能點(diǎn)擊的商品是？ ”。

3）模型訓(xùn)練：確定了生成模型的輸入（用戶表示）和輸出（商品物料標(biāo)識符），即可基于生成式 Next Token Prediction 任務(wù)進(jìn)行模型訓(xùn)練。

4）模型推理：經(jīng)過訓(xùn)練后，生成模型能夠接收用戶信息并預(yù)測相應(yīng)的商品語義 ID，這些語義標(biāo)識可以對應(yīng)數(shù)據(jù)集中的實(shí)際商品 ID。

(了解詳細(xì)算法方案請參考： 生成式推薦系統(tǒng)與京東聯(lián)盟廣告-綜述與應(yīng)用 。 )

2、LLM 模型部署的工程適配

傳統(tǒng)基于深度學(xué)習(xí)的召回模型，其參數(shù)量通常在幾十萬到幾千萬之間，且模型結(jié)構(gòu)以Embedding層為主。而采用大語言模型（LLM）實(shí)現(xiàn)的生成式召回模型，其參數(shù)規(guī)模大幅提升至0.5B至7B之間，模型結(jié)構(gòu)主要由Dense網(wǎng)絡(luò)構(gòu)成。由于參數(shù)量的急劇增加，LLM在推理過程中所需的計(jì)算資源相比傳統(tǒng)模型顯著提升，通常高出數(shù)十倍甚至上百倍。這使得LLM在處理復(fù)雜任務(wù)時(shí)具備更強(qiáng)的表現(xiàn)力，但同時(shí)也對計(jì)算能力有了更高的要求。

將如此龐大的算力模型部署至線上環(huán)境，并確保其滿足毫秒級實(shí)時(shí)響應(yīng)的需求，同時(shí)在嚴(yán)格控制資源成本的前提下實(shí)現(xiàn)工業(yè)化應(yīng)用，這無疑是對工程能力的巨大考驗(yàn)。因此，我們必須對在線推理架構(gòu)進(jìn)行極致的性能優(yōu)化。

3、基于 TensorRT-LLM 的 LLM 構(gòu)建優(yōu)化及其系統(tǒng)部署

· 在建模封裝層，通過 TensorRT-LLM 實(shí)現(xiàn) LLM 模型的構(gòu)建與優(yōu)化。然后將 LLM 無縫整合至現(xiàn)有生態(tài)系統(tǒng)，利用 Python 與 TensorFlow API 實(shí)現(xiàn)端到端推理圖的構(gòu)建?；?TensorFlow 原生算子及現(xiàn)有業(yè)務(wù)的自定義 TensorFlow 算子庫（例如用戶行為特征處理算子），實(shí)現(xiàn)算法的靈活建模。

· 在推理優(yōu)化層，通過應(yīng)用 Inflight Batching、Constrained Sampling、Flash Attention 及 Paged Attention 等加速方案，最大限度地提升單卡吞吐量并降低推理延遲。

· 在系統(tǒng)部署方面，為了最大化利用時(shí)間資源，生成式召回的部署采用了與傳統(tǒng)多分支召回模塊并行的方式。由于生成式召回簡化了推理流程，相較于傳統(tǒng)召回方式，其資源消耗更少，運(yùn)行時(shí)間更短，并且取得了優(yōu)異的召回效果。

4、生成式召回在推薦及搜索場景應(yīng)用效果

目前，生成式召回已在京東廣告推薦場景及搜索場景等業(yè)務(wù)線成功實(shí)施。在推薦場景，借助生成式模型的參數(shù)規(guī)模及語義理解優(yōu)勢，AB 實(shí)驗(yàn)結(jié)果顯示商品點(diǎn)擊率與消費(fèi)帶來了顯著的提升。在搜索場景，通過 LLM 所具備的語義理解能力，顯著提升了對查詢與商品的認(rèn)知能力，特別是在處理搜索中的長尾查詢時(shí)，填充率有明顯提升，AB 實(shí)驗(yàn)同樣取得了點(diǎn)擊率與消費(fèi)幾個(gè)點(diǎn)的收益增長。

0010 推理優(yōu)化加速: 實(shí)現(xiàn)降低延遲、提升吞吐

在線推理基于Nvidia TensorRT-LLM, 通過使用 TensorRT-LLM 中的多種優(yōu)化特性，并針對廣告生成式召回業(yè)務(wù)場景進(jìn)行深度定制優(yōu)化后, 不僅模型推理延遲達(dá)到線上業(yè)務(wù)要求, 同時(shí)吞吐也有著顯著提升。

在 NVIDIA GPU 上進(jìn)行的測試中，通過對比 TensorRT-LLM 與基線，發(fā)現(xiàn)在限制 100 毫秒推理耗時(shí)的廣告場景下，采用 TensorRT-LLM 進(jìn)行推理，疊加針對業(yè)務(wù)的定制優(yōu)化后，其吞吐量相較于 baseline提升了五倍以上。這相當(dāng)于將部署成本降至原來的五分之一。

對于這個(gè)特定的應(yīng)用場景，beam width 的合理配置對檢索結(jié)果有著重要影響。一般來說，較高的 beam width 能夠增加候選商品的數(shù)量，從而提高檢索的準(zhǔn)確性。以返回 300 個(gè)商品為例，若 beam width 設(shè)置較低，每個(gè) code 就需要對應(yīng)更多的商品 id，這無疑會降低檢索的精度。

針對這個(gè)情況，一方面我們與NVIDIA DevTech 技術(shù)團(tuán)隊(duì)合作進(jìn)行了有針對性的二次開發(fā)和優(yōu)化工作，另一方面，結(jié)合生成式召回的業(yè)務(wù)場景，研發(fā)定制高性能GPU算子，大幅提升推理效率，最終讓 TensorRT-LLM 支持更大范圍的 beam width, 從而及時(shí)滿足了線上的業(yè)務(wù)需求。

0011 持續(xù)優(yōu)化以實(shí)現(xiàn)模型效率效果提升

未來, 我們將持續(xù)在生成式推薦領(lǐng)域深入探索, 重點(diǎn)聚焦以下幾個(gè)方面

1）提升模型規(guī)模，滿足實(shí)時(shí)推理需求

當(dāng)前，受制于算力、時(shí)間消耗和成本等客觀條件，生成式推薦系統(tǒng)在實(shí)時(shí)推理中的可部署模型規(guī)模相對較?。s 0.5B 至 6B 參數(shù)）。然而，離線實(shí)驗(yàn)數(shù)據(jù)表明，擴(kuò)大模型規(guī)模能夠顯著提升線上推薦效果。這對在線性能優(yōu)化提出了更高要求。為了在不顯著增加成本的前提下支持更大規(guī)模的模型在線部署，需要進(jìn)一步優(yōu)化模型結(jié)構(gòu)和推理效率。例如，采用模型剪枝、量化等模型壓縮技術(shù)，優(yōu)化采樣檢索算法效率，以及高效的分布式推理架構(gòu)。

2）擴(kuò)展用戶行為輸入，提高模型效果

實(shí)驗(yàn)證明，輸入更長的用戶歷史行為序列可以提升模型的推薦效果。然而，更長的序列輸入會導(dǎo)致計(jì)算資源消耗的增加和推理時(shí)間的延長。為此，需要尋求在效果提升和性能開銷之間的平衡。對應(yīng)的優(yōu)化方案包括：

a. Token 序列壓縮：通過對輸入序列進(jìn)行壓縮，如去除冗余信息、合并相似行為等，減少序列長度的同時(shí)保留關(guān)鍵信息。

b. 用戶行為 KV 緩存復(fù)用：在推理過程中，針對用戶行為特征有序遞增的特點(diǎn)，對長期行為進(jìn)行離線計(jì)算并進(jìn)行緩存，在線部分負(fù)責(zé)計(jì)算實(shí)時(shí)行為，避免重復(fù)計(jì)算的同時(shí)最大化利用算力，提高推理效率。

3）融合稀疏與稠密模型，實(shí)現(xiàn)聯(lián)合推理

隨著模型參數(shù)量的增大，可以考慮將稀疏的傳統(tǒng) CTR 模型與稠密的 LLM 模型進(jìn)行聯(lián)合推理。稀疏模型擅長處理高維度的稀疏特征，具有計(jì)算效率高的優(yōu)勢；而稠密模型能夠捕獲復(fù)雜的非線性特征和深層次的語義信息。通過融合兩者的優(yōu)勢，構(gòu)建一個(gè)兼具高效性和精確性的推薦系統(tǒng)。

審核編輯 黃宇