To Top
首页 > 深度学习 > 正文

传统ctr预估

标签:ctr预估, lr+gbdt


目录

0. 基础知识

特征离散化

https://blog.csdn.net/u013385925/article/details/80143784

特征抽取

特征文件

格式

{ Fea_str \t fea_sign64 \t show_num \t clk_num \t ctr }

其中Fea_str:s{特征名字}:{特征内容}:slot

Feature作用如下:

  • 生成自解释特征词典,可以给下游,作为广告是否置信的依据。
  • 训练之前有个id化,会根据feature生成一份全局词典,并将instance中的每一个sign映射到这个词典上
  • 保存的show和click值,在后面进行特征检查时有一定帮助,对比单个ins中该特征的show和click值以及该特征的整体的show click值,分析是否存在问题。

ins

格式

{ Show_num clk_num fea1_sign64:1 fea2_sign64:1 ….fean_sign64:1}

sign是通过签名函数使“特征-字面-slot”映射到sign,作为特征的唯一标示。

slot的作用: a. 训练时,不同的slot在训练的时候会有不同的惩罚因子。 b. 特征抽取时,不同slot会有不同的过滤条件。 c. 压缩数据时,相同的slot的会放到一起,以slot排序。 d. 计算sign时,字面到sign的映射,会考虑PV使其分布均匀。不让PV覆盖比较大的特征的ins覆盖过于集中,减小单个节点压力。

训练(embedding训练/LR)

整个流程主要包含下载数据、特征ID化、模型训练、模型格式转换,以及模型评估。

训练的主要过程是,将ins中用到的sign进行ID化,将ins分到不同的MPI机器上进行计算。使用模型进行训练,将训练得到的模型进行评估,通过计算其AUC值实现,如果符合一定指标就认为模型可信,将模型转换为要用的模式,也就是ID到sign的映射。

ID化

注:如果是LR,那这个weight就是一个float;如果是DNN的embedding,假设映射成一个8维向量,那这个weight就是这8维向量。

ID映射的输出有三个文件:

  • 全局的64位的sign到本地ID的映射:对sign进行排序,平均分配到不同的MPI节点上,在各个节点上变为本地行号,因此将sign映射为[MPI节点-行号]这样一个本地ID,其中行号是32位int。这个全局号会存入fea_set文件,因此fea文件格式变为:{sign 桶号:行号 show click ctr 特征字面},这个文件会传给format_model模块,进行模型format使用。
  • 每台机器上的本地ID和对应的权重及pv:平均分配ins文件到不同的MPI节点上,也会对这些ins里的sign继续排序,变为本地ID进行模型训练。最终会整合成模型文件输出,{桶号-行号 weight PV},在format阶段和fea文件进行format。
  • 每台机器上的标识这台机器存储了哪些sign的bitmap:每个MPI节点用一个[fea个数]大小的位数组(空间是全局sign的大小),存放该机器上存在sign的信息,将本地的sign对应到全局sign位数组上,有该sign就置为1。

对于过来的一条ins,会将其分配到多台机器上,分别单独计算各自特征的权重值。

模型训练

一台机器只计算本地的所有的ins下的特征权重,和bitmap对应后,将各个权重平均。再分到各个机器上,继续进行迭代计算新的特征权重。—-感觉描述得不清楚。。

参考https://blog.csdn.net/qq_32742009/article/details/81839071

对于sigmoid而言,\(y=\frac{1}{1+e^{-wx}}\),它的导数是\(\frac{\partial y}{\partial w}=y(1-y)\cdot (-x)\)

对于LR,假设有\(N\)条样本,\(n=1,2,...N\),那么对于第\(n\)条样本\(y_n=sigmoid(wx_n)=\frac{1}{1+e^{-wx_n}}\),假设label是\(t_n\)\(t_n \in\{0,1\}\)。交叉熵损失函数是:

\[ Loss=\sum_{n=1}^{N}(t_nlogy_n+(1-t_n)log(1-y_n)) \]

推导梯度如下:

\[ \begin{align*} \frac{\partial Loss}{\partial w} &= \sum_{n=1}^{N}(t_n\frac{1}{y_n}\partial y_n-(1-t_n)\frac{1}{1-y_n}\partial y_n) \\ &= \sum_{n=1}^{N}(\frac{t_n}{y_n}-\frac{1-t_n}{1-y_n})\partial y_n \\ &= \sum_{n=1}^{N}(\frac{t_n-y_nt_n-y_n+y_nt_n}{y_n(1-y_n)})\partial y_n \\ &= \sum_{n=1}^{N}(\frac{t_n-y_n}{y_n(1-y_n)})\partial y_n \\ &= \sum_{n=1}^{N}(\frac{t_n-y_n}{y_n(1-y_n)})y_n(1-y_n)\cdot (-x_n) \\ &= \sum_{n=1}^{N}(y_n-t_n)x_n\\ \end{align*} \]

所以,计算第\(n\)条样本的梯度时,需要先算出\(y_n\)。对于特征离散化之后的情况,这里的\(x_n\)的空间是sign的空间,所以,如果一条样本有第i个特征,那么它的\(x^{i}\)是1,否则是0。

这里用\(w_n^{i}(t)\)表示第\(n\)条样本的第\(i\)个sign在\(t\)时刻的权重。假设总共有\(N\)条样本,\(M\)个sign。

假设在\(t\)时刻,对于\(N\)条ins而言,总共有10个特征,25个feasign。那这些feasign可能分布在4台机器上,比如第一台机器负责更新\(sign^{3}\)\(sign^{17}\)的权重。总体来说,应该是分成以下几步吧吧吧:

  • master节点存有当前时刻各sign的权重值\(w(t)\)(应该是上一时刻更新完后的值,shape是\(1*M\)
  • 把对应权重发给对应的节点,例如,把\(w^{3}(t)\)\(w^{17}(t)\)发给第一个节点
  • 节点1里有\(N\)个ins的\(sign^{3}\)\(sign^{17}\),那其实就有\(N\)行的\(w_{n=1..N}^{3}(t)\)\(N\)行的\(w_{n=1,..N}^{17}(t)\),把这两个\(N\)行的权重矩阵传给master
  • 比如第7条ins有\(sign^{3}\)\(sign^{22}\),分别来自节点1和节点2。那么把\(w_{7}^{3}(t)\)\(w_{7}^{22}(t)\)求和,得到\(d_{7}(t)\),这里的\(d\)是一个\(N*1\)的向量。master对这\(N\)条样本算完这个\(d\)后,传给各节点
  • 对于节点1,拿到了\(d\),对于\(sign^{3}\),计算这\(N\)条样本每一条在\(sign^{3}\)上的梯度,得到一个\(N*1\)的梯度矩阵\(G_{k=3}\)。同理,对于\(sign^{17}\),得到梯度矩阵\(G_{k=17}\)
  • master收集各节点传回来的\(G_k\),得到一个\(N*M\)的矩阵。一列是一个sign,对每一列的\(N\)个元素求和,得到这\(N\)条样本在这个sign上的总梯度。然后对\(M\)列的权重\(w(t)\)的每一列(sign)用对应的梯度进行更新。

模型格式转换

模型训练结束后,完成特征值和sign的对应

训练时每个节点用的是『桶号:行号』,这里通过那个全局bitmap,把这个id映射回原来的sign。所以输出的格式是{Fean_sign64 \t weight \t pv}。其中,Fean_sign64为feature的签名,weight即feature训练得到的权重,pv为feature展示的次数,从fea_set文件获取。

指标

  • AUC:衡量分类器排序质量的统计指标。全称Area Under roc Curve,为ROC曲线下的面积。在评估ctr model的AUC时,ROC曲线及AUC指标(ROC曲线下方的面积)的数值主要体现出的是预估CTR与实际CTR排序关系的一致性。实际的计算与其它应用有一定差别,此处计算AUC值的方式如show和click有关。
  • QAUC:每个query下的AUC值的简单平均。
  • WQAUC:WQAUC为query下AUC的展现加权平均

AUC定义

参考《百面》P30,假设正样本有P个,负样本有N个。横轴单位刻度设为\(\frac{1}{N}\),纵轴单位刻度设为\(\frac{1}{P}\),再根据模型输出的预测概率对样本进行排序(从高到低)。依次遍历样本,每遇到一个正样本,就沿纵轴方向画一个刻度的线,遇到一个负样本,就沿横轴方向画一个刻度的线,直到遍历完所有样本

在ctr预估场景中,ROC曲线的横轴是sum(noclk)=sum(show)-sum(clk),纵轴是总点击数sum(click)。我们先对预估的ctr降序排列,将点依次绘制在坐标轴上,就形成了ROC曲线。曲线下方的面积/曲线终点与原点形成的矩形面积 就是AUC值。每绘制一个点,与前一个点连接形成的直线斜率就是\(1-\frac{1}{ctr}\),也就是实际ctr越高,斜率越大。如果保证ROC曲线的斜率递减,就可以保证曲线面积最大

经老司机指点,好像斜率应该是\(\frac{1}{\frac{1}{ctr}-1}\),推导如下:



换句话说,就是在预估ctr递减的条件下,如果实际ctr也是递减的,AUC值最高,说明模型效果最好

整体的AUC就是曲线下的面积除以曲线的起点、终点锚定矩型的面积。

AUC/QAUC/WQAUC计算

预估ctr计算

针对LR场景,比如总共有fea_size个特征,如果一条ins有其中的3个特征,比如\(w_1,w_{23},w_{652}\),那就是在这fea_size的bitmap里,有3个位置是1,其他位置都是0,因为做了这个从原始特征值到sign的映射后,就不再看原始值了,所以,我们的\(w_1x_1+w_{23}x_{23}+w_{652}x_{652}\)其实就是\(w_1+w_{23}+w_{652}\)。所以,对于一条ins,它的预估ctr就是\(\frac{1}{1+e^{-\sum {weight}}}\)。为了计算方便,将CTR放大\(10^{16}\)倍,变成一个uint64的整数。

embed的时候 不就是在那个fea_size*emb_size(比如10亿特征,8维向量,就是10亿*8)的大矩阵里,比如你这条样本命中了3个feasign,就是取这3个对应的8维向量出来嘛。lr就是emb_size=1,所以是10亿*1。

AUC计算
  • 计算AUC时,要求预估的ctr值满足桶内有序,桶间有序,做到全局有序。
  • 计算QAUC时,只要求相同query下的ctr值有序。
AUC汇总
  • AUC汇总

以两个分桶为例,每个分桶计算的AUC为图中的阴影部分。全局AUC部分需要补充P3部分的面积,



看更多一点的桶:



这部分面积等于前i-1个桶的sum(click)乘以每i个桶的noclick。

  • QAUC/WAUC汇总

使用每个桶输出的\(qauc_i\)\(query\_num_i\)\(wqauc_i\)\(sum\_show_i\),使用如下公式计算整体的Qauc和Wqauc。

\(QAUC= \sum (qauc_i * query\_num_i ) / \sum(query\_num_i)\) \(WQAUC= \sum (wqauc_i * sum\_show_i ) / \sum( sum\_show_i)\)

模型校验

如果AUC值低于一定阈值会发出警报。

1. 传统方法:

lr

OWLQN

参考http://www.arvinzyy.cn/2019/05/19/Scalable-Training-of-L1-Regularized-Log-Linear-Models/

参考https://blog.csdn.net/hero_fantao/article/details/39321887

牛顿法
阻尼牛顿法
拟牛顿法 (Quasi-Newton Method)
LBFGS—限域牛顿法
OWLQN方法
虚梯度
Line Search时限定象限
OWLQN步骤

ftrl

参考https://daiwk.github.io/posts/ml-ftrl.html

lr+gbdt

CTR预估中GBDT与LR融合方案

LR

LR映射后的函数值就是CTR的预估值。这种线性模型很容易并行化,处理上亿条训练样本不是问题,但线性模型学习能力有限,需要大量特征工程预先分析出有效的特征、特征组合,从而去间接增强LR 的非线性学习能力。

LR模型中的特征组合很关键,但又无法直接通过特征笛卡尔积 解决,只能依靠人工经验,耗时耗力同时并不一定会带来效果提升。

GBDT

参考https://www.cnblogs.com/ScorpioLu/p/8296994.html

参考http://www.jianshu.com/p/005a4e6ac775

GBDT又叫MART(Multiple Additive Regression Tree),GBDT中的树是回归树(不是分类树),GBDT用来做回归预测,调整后也可以用于分类。每次迭代都在减少残差的梯度方向新建立一颗决策树,迭代多少次就会生成多少颗决策树。GBDT的思想使其具有天然优势,可以发现多种有区分性的特征以及特征组合,决策树的路径可以直接作为LR输入特征使用,省去了人工寻找特征、特征组合的步骤。这种通过GBDT生成LR特征的方式(GBDT+LR),业界已有实践(Facebook,Kaggle-2014),且效果不错。

回归树

回归树总体流程类似于分类树,区别在于,回归树的每一个节点都会得一个预测值,以年龄为例,该预测值等于属于这个节点的所有人年龄的平均值。分枝时穷举每一个feature的每个阈值找最好的分割点,但衡量最好的标准不再是最大熵,而是最小化平方误差。也就是被预测出错的人数越多,错的越离谱,平方误差就越大,通过最小化平方误差能够找到最可靠的分枝依据。分枝直到每个叶子节点上人的年龄都唯一或者达到预设的终止条件(如叶子个数上限),若最终叶子节点上人的年龄不唯一,则以该节点上所有人的平均年龄做为该叶子节点的预测年龄。

参考http://blog.csdn.net/puqutogether/article/details/44593647



算法如下:



参考http://blog.csdn.net/suranxu007/article/details/49910323

提升树算法(Boosting Decision Tree)

提升树是迭代多棵回归树来共同决策。当采用平方误差损失函数时,每一棵回归树学习的是之前所有树的结论和残差,拟合得到一个当前的残差回归树,残差的意义如公式:残差 = 真实值 - 预测值 。提升树即是整个迭代过程生成的回归树的累加。

训练集是4个人,A,B,C,D年龄分别是14,16,24,26。样本中有购物金额、上网时长、经常到百度知道提问等特征。 参考http://blog.csdn.net/suranxu007/article/details/49910323



预测值等于所有树值得累加,如A的预测值 = 树1左节点 值 15 + 树2左节点 -1 = 14。 算法如下:



GBDT

提升树利用加法模型和前向分步算法实现学习的优化过程。当损失函数是平方损失和指数损失函数时,每一步的优化很简单,如平方损失函数学习残差回归树。常见损失函数及其梯度如下:



但对于一般的损失函数,往往每一步优化没那么容易,如上图中的绝对值损失函数和Huber损失函数。针对这一问题,Freidman提出了梯度提升算法:利用最速下降的近似方法,即利用损失函数的负梯度在当前模型的值,作为回归问题中提升树算法的残差的近似值,拟合一个回归树。(注:鄙人私以为,与其说负梯度作为残差的近似值,不如说残差是负梯度的一种特例)算法如下



算法步骤解释:

1、初始化,估计使损失函数极小化的常数值,它是只有一个根节点的树,即ganma是一个常数值。 2、 (a)计算损失函数的负梯度在当前模型的值,将它作为残差的估计 (b)估计回归树叶节点区域,以拟合残差的近似值 (c)利用线性搜索估计叶节点区域的值,使损失函数极小化 (d)更新回归树 3、得到输出的最终模型 f(x)

参数设置

推荐GBDT树的深度:6;(横向比较:DecisionTree/RandomForest需要把树的深度调到15或更高)

一句话的解释,来自周志华老师的机器学习教科书( 机器学习-周志华):Boosting主要关注降低偏差,因此Boosting能基于泛化性能相当弱的学习器构建出很强的集成;Bagging主要关注降低方差,因此它在不剪枝的决策树、神经网络等学习器上效用更为明显。

Bagging算法是这样做的:每个分类器都随机从原样本中做有放回的采样,然后分别在这些采样后的样本上训练分类器,然后再把这些分类器组合起来。简单的多数投票一般就可以。其代表算法是随机森林。Boosting的意思是这样,他通过迭代地训练一系列的分类器,每个分类器采用的样本分布都和上一轮的学习结果有关。其代表算法是AdaBoost, GBDT。

其实就机器学习算法来说,其泛化误差可以分解为两部分,偏差(bias)和方差(variance)。这个可由下图的式子导出(这里用到了概率论公式D(X)=E(X^2)-[E(X)]^2)。偏差指的是算法的期望预测与真实预测之间的偏差程度,反应了模型本身的拟合能力;方差度量了同等大小的训练集的变动导致学习性能的变化,刻画了数据扰动所导致的影响。这个有点儿绕,不过你一定知道过拟合。   如下图所示,当模型越复杂时,拟合的程度就越高,模型的训练偏差就越小。但此时如果换一组数据可能模型的变化就会很大,即模型的方差很大。所以模型过于复杂的时候会导致过拟合。   当模型越简单时,即使我们再换一组数据,最后得出的学习器和之前的学习器的差别就不那么大,模型的方差很小。还是因为模型简单,所以偏差会很大。



也就是说,当我们训练一个模型时,偏差和方差都得照顾到,漏掉一个都不行。   对于Bagging算法来说,由于我们会并行地训练很多不同的分类器的目的就是降低这个方差(variance) ,因为采用了相互独立的基分类器多了以后,h的值自然就会靠近.所以对于每个基分类器来说,目标就是如何降低这个偏差(bias),所以我们会采用深度很深甚至不剪枝的决策树。   对于Boosting来说,每一步我们都会在上一轮的基础上更加拟合原数据,所以可以保证偏差(bias),所以对于每个基分类器来说,问题就在于如何选择variance更小的分类器,即更简单的分类器,所以我们选择了深度很浅的决策树。

facebook LR+GBDT

参考https://blog.csdn.net/u010352603/article/details/80681100

这个讲得很细,还有好多工业上的注意点。。https://zhuanlan.zhihu.com/p/57987311

需要强调是,因为我们需要利用CTR计算精准的出价、ROI等重要的后续预估值,因此CTR模型的预估值需要是一个具有物理意义的精准的CTR,而不仅仅是输出广告排序的高低关系。所以文中不仅把CTR calibration作为重要的评价指标,更是在最后介绍了模型校正的相关方法。

原始paper:Practical Lessons from Predicting Clicks on Ads at Facebook

GBDT与LR的融合方式,Facebook的paper有个例子如下图2所示,图中Tree1、Tree2为通过GBDT模型学出来的两颗树,x为一条输入样本,遍历两棵树后,x样本分别落到两颗树的叶子节点上,每个叶子节点对应LR一维特征,那么通过遍历树,就得到了该样本对应的所有LR特征。由于树的每条路径,是通过最小化均方差等方法最终分割出来的有区分性路径,根据该路径得到的特征、特征组合都相对有区分性,效果理论上不会亚于人工经验的处理方式。



另外,RF也是多棵树,但从效果上有实践证明不如GBDT。且GBDT前面的树,特征分裂主要体现对多数样本有区分度的特征;后面的树,主要体现的是经过前N颗树,残差仍然较大的少数样本。优先选用在整体上有区分度的特征,再选用针对少数样本有区分度的特征,思路更加合理,这应该也是用GBDT的原因。

引入id类特征

综合考虑方案如下,使用GBDT建两类树,非ID建一类树,ID建一类树。

1)非ID类树:不以细粒度的ID建树,此类树作为base,即便曝光少的广告、广告主,仍可以通过此类树得到有区分性的特征、特征组合。

2)ID类树:以细粒度 的ID建一类树,用于发现曝光充分的ID对应有区分性的特征、特征组合。如何根据GBDT建的两类树,对原始特征进行映射?以如下图3为例,当一条样本x进来之后,遍历两类树到叶子节点,得到的特征作为LR的输入。当AD曝光不充分不足以训练树时,其它树恰好作为补充。



通过GBDT 映射得到的特征空间维度如何?GBDT树有多少个叶子节点,通过GBDT得到的特征空间就有多大。一个叶子节点对应一种有区分性的特征、特征组合,对应LR的一维特征。估算一下,通过GBDT转换得到的特征空间较低,Base树、ID树各N颗,特征空间维度最高为N+N广告数+N广告主数+ N*广告类目数。其中广告数、广告主数、广告类目数都是有限的,同时参考Kaggle竞赛中树的数目N最多为30,则估算通过GBDT 映射得到的特征空间维度并不高,且并不是每个ID训练样本都足以训练多颗树,实际上通过GBDT 映射得到的特征空间维度更低。

如何使用GBDT 映射得到的特征?通过GBDT生成的特征,可直接作为LR的特征使用,省去人工处理分析特征的环节,LR的输入特征完全依赖于通过GBDT得到的特征。此思路已尝试,通过实验发现GBDT+LR在曝光充分的广告上确实有效果,但整体效果需要权衡优化各类树的使用。同时,也可考虑将GBDT生成特征与LR原有特征结合起来使用,待尝试。

参考https://cloud.tencent.com/developer/article/1005416

Facebook 在 2014 年发表文章介绍了通过 GBDT 解决 LR 的特征组合问题,其主要实现原理是:

  • 训练时,GBDT 建树的过程相当于自动进行的特征组合和离散化,然后从根结点到叶子节点的这条路径就可以看成是不同特征进行的特征组合,用叶子节点可以唯一的表示这条路径,并作为一个离散特征传入 LR 进行二次训练。
  • 预测时,会先走 GBDT 的每棵树,得到某个叶子节点对应的一个离散特征(即一组特征组合),然后把该特征以 one-hot 形式传入 LR 进行线性加权预测。

Facebook 的方案在实际使用中,发现并不可行,因为广告系统往往存在上亿维的 id 类特征(用户 guid10 亿维,广告 aid 上百万维),而 GBDT 由于树的深度和棵树的限制,无法存储这么多 id 类特征,导致信息的损失。有如下改进方案供读者参考:

  • 方案一:GBDT 训练除 id 类特征以外的所有特征,其他 id 类特征在 LR 阶段再加入。这样的好处很明显,既利用了 GBDT 对连续特征的自动离散化和特征组合,同时 LR 又有效利用了 id 类离散特征,防止信息损失。
  • 方案二:GBDT 分别训练 id 类树和非 id 类树,并把组合特征传入 LR 进行二次训练。对于 id 类树可以有效保留头部资源的信息不受损失;对于非 id 类树,长尾资源可以利用其泛化信息(反馈 CTR 等)。但这样做有一个缺点是,介于头部资源和长尾资源中间的一部分资源,其有效信息即包含在泛化信息(反馈 CTR) 中,又包含在 id 类特征中,而 GBDT 的非 id 类树只存的下头部的资源信息,所以还是会有部分信息损失。

优缺点如下:

  • 优点:GBDT 可以自动进行特征组合和离散化,LR 可以有效利用海量 id 类离散特征,保持信息的完整性。
  • 缺点:LR 预测的时候需要等待 GBDT 的输出,一方面 GBDT在线预测慢于单 LR,另一方面 GBDT 目前不支持在线算法,只能以离线方式进行更新。

2. 基于深度学习的ctr预估模型

基于深度学习的可以参考基于深度学习的ctr预估模型集合(持续更新)


原创文章,转载请注明出处!
本文链接:http://daiwk.github.io/posts/dl-traditional-ctr-models.html
上篇: Deep Learning for NLP Best Practices
下篇: youtube视频推荐系统

comment here..