dataset.org

#+title: 数据处理
* 数据集介绍
数据集使用 `csv` 格式存储，其中各个字段内容如下：

- id: ad identifier
- click: 0/1 for non-click/click
- hour: format is YYMMDDHH, so 14091123 means 23:00 on Sept. 11, 2014 UTC.
- C1 -- anonymized categorical variable
- banner_pos
- site_id
- site_domain
- site_category
- app_id
- app_domain
- app_category
- device_id
- device_ip
- device_model
- device_type
- device_conn_type
- C14-C21 -- anonymized categorical variables

* 特征提取
下面我们会简单演示几种特征的提取方式。 

原始数据中的特征可以分为以下几类：

1. ID 类特征（稀疏，数量多）
   - id
   - site_id
   - app_id
   - device_id
  
2. 类别类特征（稀疏，但数量有限）
   - C1
   - site_category
   - device_type
   - C14-C21
  
3. 数值型特征转化为类别型特征
   - hour (可以转化成数值，也可以按小时为单位转化为类别）
** 类别类特征
类别类特征的提取方法有以下两种：

1. One-hot 表示作为特征
2. 类似词向量，用一个 Embedding Table 将每个类别映射到对应的向量

** ID 类特征
ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot 表示时维度过大。

一般会作如下处理：

1. 确定表示的最大维度 N
2. newid = id % N
3. 用 newid 作为类别类特征使用

上面的方法尽管存在一定的碰撞概率，但能够处理任意数量的 ID 特征，并保留一定的效果[2]。

** 数值型特征
一般会做如下处理：

- 归一化，直接作为特征输入模型
- 用区间分割处理成类别类特征，稀疏化表示，模糊细微上的差别
 
* 特征处理
** 类别型特征
 类别型特征有有限多种值，在模型中，我们一般使用 embedding table 将每种值映射为连续值的向量。

 这种特征在输入到模型时，一般使用 One-hot 表示，相关处理方法如下：

 #+BEGIN_SRC python
   class CategoryFeatureGenerator(object):
       '''
       Generator category features.

       Register all records by calling `register` first, then call `gen` to generate
       one-hot representation for a record.
       '''

       def __init__(self):
           self.dic = {'unk': 0}
           self.counter = 1

       def register(self, key):
           '''
           Register record.
           '''
           if key not in self.dic:
               self.dic[key] = self.counter
               self.counter += 1

       def size(self):
           return len(self.dic)

       def gen(self, key):
           '''
           Generate one-hot representation for a record.
           '''
           if key not in self.dic:
               res = self.dic['unk']
           else:
               res = self.dic[key]
           return [res]

       def __repr__(self):
           return '<CategoryFeatureGenerator %d>' % len(self.dic)
 #+END_SRC

 本任务中，类别类特征会输入到 DNN 中使用。

** ID 类特征
 ID 类特征代稀疏值，且值的空间很大的情况，一般用模操作规约到一个有限空间，
 之后可以当成类别类特征使用，这里我们会将 ID 类特征输入到 LR 模型中使用。

 #+BEGIN_SRC python
   class IDfeatureGenerator(object):
       def __init__(self, max_dim):
           '''
           @max_dim: int
               Size of the id elements' space
           '''
           self.max_dim = max_dim

       def gen(self, key):
           '''
           Generate one-hot representation for records
           '''
           return [hash(key) % self.max_dim]

       def size(self):
           return self.max_dim
 #+END_SRC
** 交叉类特征
 LR 模型作为 Wide & Deep model 的 `wide` 部分，可以输入很 wide 的数据（特征空间的维度很大），
 为了充分利用这个优势，我们将演示交叉组合特征构建成更大维度特征的情况，之后塞入到模型中训练。

 这里我们依旧使用模操作来约束最终组合出的特征空间的大小，具体实现是直接在 `IDfeatureGenerator` 中添加一个`gen_cross_feature` 的方法：

 #+BEGIN_SRC python
       def gen_cross_fea(self, fea1, fea2):
           key = str(fea1) + str(fea2)
           return self.gen(key)
 #+END_SRC

 比如，我们觉得原始数据中，`device_id` 和 `site_id` 有一些关联（比如某个 device 倾向于浏览特定 site)，
 我们通过组合出两者组合来捕捉这类信息。
** 特征维度
*** Deep submodel(DNN)特征
|------------------+-----------|
| feature          | dimention |
|------------------+-----------|
| app_category     |        21 |
| site_category    |        22 |
| device_conn_type |         5 |
| hour             |        24 |
| banner_pos       |         7 |
|------------------+-----------|
| Total            | 79        |
|------------------+-----------|

*** Wide submodel(LR)特征
|---------------------+-----------|
| Feature             | Dimention |
|---------------------+-----------|
| id                  |     10000 |
| site_id             |     10000 |
| app_id              |     10000 |
| device_id           |     10000 |
| device_id X site_id |   1000000 |
|---------------------+-----------|
| Total               | 1,040,000 |
|---------------------+-----------|
* 输入到 PaddlePaddle 中
Deep 和 Wide 两部分均以 `sparse_binary_vector` 的格式[1]输入，输入前需要将相关特征拼合，模型最终只接受 3 个 input，
分别是

1. `dnn input`，DNN 的输入
2. `lr input`, LR 的输入
3. `click`， 标签

拼合特征的方法：

#+BEGIN_SRC python
  def concat_sparse_vectors(inputs, dims):
      '''
      concaterate sparse vectors into one

      @inputs: list
          list of sparse vector
      @dims: list of int
          dimention of each sparse vector
      '''
      res = []
      assert len(inputs) == len(dims)
      start = 0
      for no, vec in enumerate(inputs):
          for v in vec:
              res.append(v + start)
          start += dims[no]
      return res
#+END_SRC


[1] https://github.com/PaddlePaddle/Paddle/blob/develop/doc/api/v1/data_provider/pydataprovider2_en.rst