摘要：本文由京东搜索算法架构团队分享，主要介绍 Apache Flink 在京东商品搜索排序在线学习中的应用实践。文章的主要大纲如下：

一、背景

在京东的商品搜索排序中，经常会遇到搜索结果多样性不足导致系统非最优解的问题。为了解决数据马太效应带来的模型商品排序多样性的不足，我们利用基于二项式汤普森采样建模，但是该算法仍存在对所有用户采用一致的策略，未有效考虑用户和商品的个性化信息。基于该现状，我们采取在线学习，使深度学习和汤普森采样融合，实现个性化多样性排序方案，实时更新模型的关参数。

在该方案中，Flink 主要应用于实时样本的生成和 online learning 的实现。在在线学习过程中，样本是模型训练的基石，在超大规模样本数据的处理上，我们对比了 Flink、Storm 和 Spark Streaming 之后，最终选择用 Flink 作为实时样本流数据的生产以及迭代 online learning 参数的框架。在线学习的整体链路特别长，涉及在线端特征日志、流式特征处理、流式特征与用户行为标签关联、异常样本处理、模型动态参数实时训练与更新等环节，online learning 对样本处理和参数状态处理的准确性和稳定性要求较高，任何一个阶段都有可能出现问题，为此我们接入京东的 observer 体系，拥有完整的全链路监控系统，保证各个阶段数据的稳定性和完整性；下面我们首先介绍一下京东搜索在线学习架构。

二、京东搜索在线学习架构

京东搜索的排序模型系统架构主要包括以下几个部分：

  1. Predictor 是模型预估服务，在 load 模型中分为 static 部分和 dynamic 部分，static 部分由离线数据训练得到，主要学习 user 和 doc 的稠密特征表示，dynamic 部分主要包含 doc 粒度的权重向量，这部分由实时的 online learning 任务实时更新。
  2. Rank 主要包括一些排序策略，在排序最终结果确定之后，会实时落特征日志，将 doc 的特征按顺序写入特征数据流，作为后续实时样本的数据源(feature)。
  3. Feature Collector 的任务是承接在线预估系统发出的特征数据，对下游屏蔽缓存、去重、筛选等在线系统特有逻辑，产出 Query+Doc 粒度的特征流。
  4. Sample join 的任务将上面的 feature 数据、曝光、点击、加购、下单等用户行为标签数据作为数据源，通过 Flink 的 union + timer 数据模型关联成为符合业务要求的样本数据，算法可根据目标需求选择不同的标签作为正负样本标记。
  5. Online learning 任务负责消费上游生成的实时样本做训练，负责更新 model 的 dynamic 部分。

三、实时样本生成

Online Learning 对于在线样本生成的时效性和准确性都有很高的要求，同时也对作业的稳定性有很高的要求。在海量用户日志数据实时涌入的情况下，我们不仅要保证作业的数据延时低、样本关联率高且任务稳定，而且作业的吞吐不受影响、资源使用率达到最高。

京东搜索排序在线样本的主要流程如下：

  1. 数据源大致有曝光流、feature 流和用户行为流等作为实时样本的数据源，统一以 JDQ 管道流的形式，由京东实时计算平台提供平台支撑。
  2. 接到 feature 流和曝光流、label 流后，进行数据清洗，得到任务需要的数据格式。
  3. 拿到各个标准流后，对各个流进行 union 操作，之后进行 keyby。
  4. 我们在 process function 里面添加 Flink timer 定时器，作为样本生成的实时窗口。
  5. 将生成的样本实时落入 jdq 和 HDFS，jdq 可以用作后面的 online learning 的 input，HDFS 持久存储样本数据，用于离线训练、增量学习和数据分析。

在线样本任务优化实践：

京东搜索样本数据吞吐量每秒达到 GB 规模，对分布式处理分片、超大状态和异常处理提出很高的优化要求。

1、数据倾斜

使用 keyby 的时候，难免会有数据倾斜的情况，这里我们假设 key 设计合理、 shuffle 方式选择正确、任务没有反压且资源足够使用，由于任务 parallelism 设置导致的数据倾斜的情况。我们先看 Flink 里面 key 是如何被分发到 subtask 上面的。

keygroup = assignToKeyGroup(key, maxParallelism)subtaskNum =
computeOperatorIndexForKeyGroup(maxParallelism, parallelism, keyGroupId)

假设我们的并发设置的是 300，那么 maxParallelism 就是 512，如此设计，必然导致有的 subtask 分布 1 个 keygroup 有的分配两个，同时也导致了数据自然倾斜。针对上述问题，有两个解决方案：

  • 设置并行度为 2 的 n 次方；
  • 设置最大并行度为 并行度的 n 倍。

如果使用方案 1 ，调整并发的话只能调整 2 的幂次，建议使用方案 2，且假如 parallelism 为 300，maxParallelism 设置为 1200 的情况下假如数据还是有倾斜，可以再相应的把 maxParallelism 设置大一些保证每个 keygroup 的 key 少一些，如此也可以降低数据倾斜的发生。

2、large checkpoint

在线样本用到了 Flink 的 state，我们之前默认将 state 放到了内存里面，但是随着放量的增加，state 数据量激增，发现 GC 时间特别长，之后改变策略，将 state 放入了 RocksDB，GC 问题得以解决。我们针对 checkpoint 做了如下配置：

  • 开启增量 checkpoint；
  • 合理设置 checkpoint 的超时时间、间隔时间和最小暂停时间。

  • 让 Flink 自己管理 RocksDB 占用的内存，对 RocksDB 的 blockcache、writebuffer 等进行调优。
  • 优化 state 的数据使用，将 state 数据放入多个 state object 里面使用，降低序列化/反序列化的代价。

在任务调优的时候我们发现我们的任务访问 RocksDB 的时间非常长，查看 jstack 发现，很多线程都在等待数据的序列化和反序列化，随着算法特征的逐渐增多，样本中的特征个数超过 500 个，使得每条数据的量级越来越大。但是在做样本关联的时候其实是不需要特征关联的，只需要相应的主键关联就可以了，因此，我们用 ValueState 存储主键，用 MapState/ListState 存储特征等值。当然了还可以将这些特征值存储到外部存储里面，这里就需要对网络 io 和 本地 io 之间的选择做一个取舍。

  • failure recovery 的时候开启本地恢复。

由于我们的 checkpoint 数据达到了 TB 级别，一旦任务发生 failover，不管是针对 HDFS 还是针对任务本身，压力都非常大，因此，我们优先使用本地进行 recovery，这样，不仅可以降低 HDFS 的压力还可以增加 recovery 的速度。

对于 online learning，我们先介绍一下伯努利汤普森采样算法，假设每个商品的 reward 概率服从 Beta 分布，因此给每个商品维护两个参数成功次数 si 及失败次数 fi，及所有商品的公共先验参数成功次数 α 和失败次数 β。

每次根据商品相应的 Beta 分布采样为最优商品的期望 reward: Q(at) = θi，并选择期望 reward 最大的商品展现给用户。最后根据环境给出真实 reward，更新模型相应的参数达到 online learning 的效果。该参数代表一个商品特征，用一个 n 维向量表示，该向量由原始特征通过 MLP 网络预测得到。原始特征经过 DNN 网络得到一个 N 维向量作为该商品的个性化�