搭建强化推荐的决策服务架构

在线推荐、广告投放等场景中，强化学习推荐系统需要依据当前的用户与环境信息（上下文）即时选择最合适的动作，也就是决定展示哪条新闻或广告。微软研究院发表的论文《Making Contextual Decisions with Low Technical Debt》针对这类“上下文决策”问题，提出了一套通用的决策服务框架——Decision Service。论文链接如下：

• Microsoft Research Lab：https://www.microsoft.com/en-us/research/publication/making-contextual-decisions-with-low-technical-debt/
• arXiv：https://arxiv.org/abs/1606.03966v2

Decision Service框架将整条强化学习链路拆解为探索（Explore）、记录（Log）、学习（Learn）、部署（Deploy）四个可独立演进却首尾相接的模块：

图1. 使用Decision Service框架进行有效的上下文学习的完整循环

1. 引言

在监督学习里，流程是线性的：先拿到完整的情境，接着让模型做出预测，最后拿到真实标签。因为真实标签对“所有可能的预测”都是已知的，因此可以直接衡量每个预测的好坏，并据此训练模型。

推荐系统这样的“上下文决策”场景则完全不同。系统必须先看用户当前的上下文（年龄、地域、兴趣等等），再从若干可选动作里挑一个，决定把政治新闻还是体育新闻摆在首页最显眼的位置。向用户展示的新闻最终会产生用户点击或不点击的反馈，其余未展示的新闻怎样就没人知道了。这种“部分反馈”，让问题瞬间升级为强化学习难度。

首先，系统必须主动“探索”未被选中的动作，否则永远学不到它们的效果；其次，当前策略会影响未来收集到的数据，引入反馈偏差；最后，奖励往往还是延迟到来的（点击、购买、观看时长），进一步增加了数据不一致的风险。

所以说想要学到“成年人偏好政治新闻、青少年偏好体育新闻”这类映射，就不能再用传统监督学习的思路，而需要借助上下文多臂赌博机（contextual bandit）等强化学习方法，通过精心涉及的系统来解决探索、偏差和延迟带来的挑战。

2.系统架构

完整的决策服务架构如下图所示：

图2. Decision Service的架构

各个组件的作用是：

• 探索（Explorer）：探索组件负责与应用程序交互，它接收上下文特征$x$（如用户信息、设备特征、候选项目等）和唯一标识符$k$作为输入，根据当前的探索策略输出具体的动作a（如推荐的文章、广告等）。同时，该组件将包含决策信息的元组$<k,(x,a,p)>$发送给Log组件进行记录，其中$p$表示探索策略选择动作$a$的概率。当应用程序后续收到用户反馈时，会将奖励$r$，会形成$<k,(r)>$一起传递给Log组件。
• 记录（Log）：记录组件用于将决策数据与奖励信息进行匹配，生成完整的探索数据集。考虑到奖励信息往往存在延迟到达的情况，Log组件接收带有标识符的观测数据流$(k,o)$，并输出拼接的观测数据流。对于具有相同标识符k的观测数据，若它们在时间窗口[$t$,$t$+exp_unit]内到达（$t$为该标识符首次出现的时间），则会被连接成完整的训练样本；若在窗口期内未收到奖励信息，则默认赋值为0。
• 学习（Learn）：学习组件负责在线策略训练，它持续接收来自Log组件的探索数据流，利用强化学习算法（上下文多臂机）进行增量学习，并输出带有唯一标识的模型(id, model)。系统可以在每接收到新数据后立即更新模型，也可以采用批量处理方式定期更新。
• 部署（Deploy）：部署组件通过标准的get/put接口管理模型版本，Learn组件通过put操作将新训练的模型(id, model)存储到系统中，而Explorer组件则通过get操作获取指定版本的模型进行决策。当未指定模型版本时，系统自动返回最新的可用模型，确保决策过程始终使用最优策略。

客户端库（Client Library）是探索的实现，集成了多种探索策略，能够有效解决了部分反馈和偏差的问题，并确保向Log组件记录准确的数据从而解决数据采集错误问题。该库严格执行“在决策点进行日志记录”的原则（详见原文4.1节）。客户端库会以可配置的频率从部署组件中下载最新模型；在首个模型可用之前，系统执行默认策略或默认动作。为满足不同应用场景的需求，客户端库可以直接链接到以实现低延迟决策，也可以通过可移植、可扩展的 Web API 访问。

图3. Decision Service API可以通过跨平台web API（左）或低延迟客户端库（右）访问

连接服务（Join Service）通过将奖励信息与对应的决策数据进行匹配连接，生成正确的探索数据集，有效解决了数据采集错误问题。同时，在向学习组件发布数据前会强制实施统一的延迟等待机制（exp_unit），避免因奖励到达时间差异而产生的偏差，进一步解决了部分反馈和偏差问题。此外，生成的探索数据会同步复制到存储系统中，为后续的离线实验提供数据支持。

在线学习器（Online Learner）采用支持上下文多臂机在线学习的机器学习框架来实现。它能够持续整合新到达的数据，并按可配置的频率将训练好的模型检查点保存到部署组件中，实现了持续学习的目标并能够有效应对环境变化问题。为确保系统兼容性，客户端库必须使用兼容的机器学习框架来调用这些模型进行预测。在线学习器基于逆倾向评分（IPS）公式实现了对任意策略的实时评估能力，这正是多世界测试（MWT）功能的核心。这些实时统计信息为高级监控和安全保障机制提供了支撑，有效解决了监控调试问题。

ips(π)=1N∑t=1NI{π(xt)=at}rt/pt (1)\text{ips}(\pi)=\frac{1}{N}\sum_{t=1}^{N}\mathbb{I}\{\pi(x_t)=a_t\}r_t/p_t\ (1)ips(π)=N1​t=1∑N​I{π(xt​)=at​}rt​/pt​ (1)

公式（1）是Decision Service通过重要性加权来估计任意策略$\pi$的平均奖励。其中，π表示待评估的策略；$N$表示探索数据的总数量；指示函数表示当策略$\pi$在$t$时刻的上下文$x$下选择的动作与实际记录的动作$a$相同时为1，否则为0。

存储系统（Store）为模型和数据提供统一的存储服务。离线学习器利用存储的数据进行各类离线实验，包括超参数调优、不同学习算法或策略类别的评估、奖励指标的调整等。这些离线实验具有反事实准确性保证。通过使用新的策略或参数设置重启在线学习器，即可将离线实验的改进成果无缝集成到在线学习循环中，这提升了系统的可用性和可定制性。

特征生成器（Feature Generator）通过为特定类型的内容自动生成特征，进一步降低了系统的使用门槛，提升了易用性。