Skip to content

M
models

PaddlePaddle / models
大约 2 年 前同步成功

通知 232
Star 6828
Fork 2962
M
models
提交 04fbeb5e 编写于 作者: S Superjom
浏览文件
操作

update markdown files

上级 4f6dd9d3
隐藏空白更改
内联 并排
Showing with 121 addition and 102 deletion
ctr/README.md
浏览文件 @ 04fbeb5e
......@@ -2,48 +2,48 @@
<h2>Table of Contents</h2>
<div id="text-table-of-contents">
<ul>
<li><a href="#orgd3b5e47">1. 背景介绍</a>
<li><a href="#org50629cf">1. 背景介绍</a>
<ul>
<li><a href="#org281ac04">1.1. LR vs DNN</a></li>
<li><a href="#org82d29f2">1.1. LR vs DNN</a></li>
</ul>
</li>
<li><a href="#org7b0794d">2. 数据和任务抽象</a></li>
<li><a href="#orgb7d416a">3. Wide &amp; Deep Learning Model</a>
<li><a href="#org71b628e">2. 数据和任务抽象</a></li>
<li><a href="#orga33b812">3. Wide &amp; Deep Learning Model</a>
<ul>
<li><a href="#org34e65a5">3.1. 模型简介</a></li>
<li><a href="#org9aab6a2">3.2. 编写模型输入</a></li>
<li><a href="#org28eef19">3.3. 编写 Wide 部分</a></li>
<li><a href="#orga6a8e51">3.4. 编写 Deep 部分</a></li>
<li><a href="#org447552d">3.5. 两者融合</a></li>
<li><a href="#orgbf70727">3.6. 训练任务的定义</a></li>
<li><a href="#org83aff73">3.1. 模型简介</a></li>
<li><a href="#org5ea2bba">3.2. 编写模型输入</a></li>
<li><a href="#org17c16e7">3.3. 编写 Wide 部分</a></li>
<li><a href="#orged3e908">3.4. 编写 Deep 部分</a></li>
<li><a href="#org80056a6">3.5. 两者融合</a></li>
<li><a href="#org6afcbfa">3.6. 训练任务的定义</a></li>
</ul>
</li>
<li><a href="#orgefd4d16">4. 写在最后</a></li>
<li><a href="#orgbfe2993">4. 引用</a></li>
</ul>
</div>
</div>
<a id="orgd3b5e47"></a>
<a id="org50629cf"></a>
# 背景介绍
CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率，
CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率，
通常被用来衡量一个在线广告系统的有效性。
当有多个广告位时，CTR 预估一般会作为排序的基准。
比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤：
比如在搜索引擎的广告系统里，当用户输入一个带商业价值的搜索词（query）时，系统大体上会执行下列步骤来展示广告：
1. 召回满足 query 的广告集合
2. 业务规则和相关性过滤
3. 根据拍卖机制和 CTR 排序
4. 展出
4. 展出广告
可以看到，CTR 在最终排序中起到了很重要的作用。
在业内，CTR 模型经历了如下的发展阶段：
- Logistic Regression(LR) + 特征工程
- Logistic Regression(LR) / GBDT + 特征工程
- LR + DNN 特征
- DNN + 特征工程
......@@ -51,52 +51,53 @@ CTR(Click-through rate) 是用来表示用户点击一个特定链接的概率
逐渐地接过 CTR 预估任务的大旗。
<a id="org281ac04"></a>
<a id="org82d29f2"></a>
## LR vs DNN
下图展示了 LR 和一个 \(3x2\) 的 NN 模型的结构：
![img](./img/lr-vs-dnn.jpg)
![img](./images/lr-vs-dnn.jpg)
LR 部分和蓝色箭头部分可以直接类比到 NN 中的结构，可以看到 LR 和 NN 有一些共通之处（比如权重累加），
但前者的模型复杂度在相同输入维度下比后者可能第很多（从某方面讲，模型越复杂，越有潜力学习到更复杂的信息）。
但前者的模型复杂度在相同输入维度下比后者可能低很多（从某方面讲，模型越复杂，越有潜力学习到更复杂的信息）。
如果 LR 要达到匹敌 NN 的学习能力，必须增加输入的维度，也就是增加特征的数量（作为输入），
如果 LR 要达到匹敌 NN 的学习能力，必须增加输入的维度，也就是增加特征的数量，
这也就是为何 LR 和大规模的特征工程必须绑定在一起的原因。
LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等方面，工业界都有非常成熟的优化方法。
而 NN 模型具有自己学习新特征的能力，一定程度上能够提升特征使用的效率，
这使得 NN 模型在同样规模特征的情况下，更有可能达到更好的学习效果。
LR 对于 NN 模型的优势是对大规模稀疏特征的容纳能力，包括内存和计算量等，工业界都有非常成熟的优化方法。
本文后面的章节会演示如何使用 PaddlePaddle 编写一个结合两者优点的模型。
<a id="org7b0794d"></a>
<a id="org71b628e"></a>
# 数据和任务抽象
我们可以将 \`click\` 作为学习目标，具体任务可以有以下几种方案：
我们可以将 `click` 作为学习目标，具体任务可以有以下几种方案：
1. 直接学习 click，0,1 作二元分类，或 pairwise rank（标签 1>0）
2. 统计每个广告的点击率，将同一个 query 下的广告两两组合，点击率高的>点击率低的
1. 直接学习 click，0,1 作二元分类
2. Learning to rank, 具体用 pairwise rank（标签 1>0）或者 list rank
3. 统计每个广告的点击率，将同一个 query 下的广告两两组合，点击率高的>点击率低的，做 rank 或者分类
这里，我们直接使用第一种方法做分类任务。
我们直接使用第一种方法做分类任务。
我们使用 Kaggle 上 \`Click-through rate prediction\` 任务的数据集[1] 来演示模型。
我们使用 Kaggle 上 `Click-through rate prediction` 任务的数据集[3] 来演示模型。
具体的特征处理方法参看 [data process](./dataset.md)
<a id="orgb7d416a"></a>
<a id="orga33b812"></a>
# Wide & Deep Learning Model
谷歌在 16 年提出了 Wide & Deep Learning 的模型框架，用于融合 适合学习抽象特征的 DNN 和 适用于大规模系数特征的 LR 两种模型的优点。
谷歌在 16 年提出了 Wide & Deep Learning 的模型框架，用于融合适合学习抽象特征的 DNN 和 适用于大规模稀疏特征的 LR 两种模型的优点。
<a id="org34e65a5"></a>
<a id="org83aff73"></a>
## 模型简介
......@@ -105,47 +106,54 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
模型结构如下：
![img](./img/wide-deep.png)
![img](./images/wide-deep.png)
模型左边的 Wide 部分，可以容纳大规模系数特征，并且对一些特定的信息（比如 ID）有一定的记忆能力；
而模型右边的 Deep 部分，能够学习特征间的隐含关系，在相同数量的特征下有更好的学习和推导能力。
<a id="org9aab6a2"></a>
<a id="org5ea2bba"></a>
## 编写模型输入
模型只接受 3 个输入，分别是
- \`dnn<sub>input</sub>\` ，也就是 Deep 部分的输入
- \`lr<sub>input</sub>\` ，也就是 Wide 部分的输入
- \`click\` ， 点击与否，作为二分类模型学习的标签
- `dnn_input` ，也就是 Deep 部分的输入
- `lr_input` ，也就是 Wide 部分的输入
- `click` ， 点击与否，作为二分类模型学习的标签
```python
dnn_merged_input = layer.data(
name='dnn_input',
type=paddle.data_type.sparse_binary_vector(data_meta_info['dnn_input']))
lr_merged_input = layer.data(
name='lr_input',
type=paddle.data_type.sparse_binary_vector(data_meta_info['lr_input']))
click = paddle.layer.data(name='click', type=dtype.dense_vector(1))
<a id="org28eef19"></a>
<a id="org17c16e7"></a>
## 编写 Wide 部分
Wide 部分直接使用了 LR 模型，但激活函数改成了 `RELU` 来加速
```python
def build_lr_submodel():
fc = layer.fc(
input=lr_merged_input, size=1, name='lr', act=paddle.activation.Relu())
return fc
<a id="orga6a8e51"></a>
<a id="orged3e908"></a>
## 编写 Deep 部分
Deep 部分使用了标准的多层前向传导的 NN 模型
```python
def build_dnn_submodel(dnn_layer_dims):
dnn_embedding = layer.fc(input=dnn_merged_input, size=dnn_layer_dims[0])
_input_layer = dnn_embedding
......@@ -159,10 +167,14 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
return _input_layer
<a id="org447552d"></a>
<a id="org80056a6"></a>
## 两者融合
两个 submodel 的最上层输出加权求和得到整个模型的输出，输出部分使用 `sigmoid` 作为激活函数，得到区间\((0,1)\) 的预测值，
来逼近训练数据中二元类别的分布，最终作为 CTR 预估的值使用。
```python
# conbine DNN and LR submodels
def combine_submodels(dnn, lr):
merge_layer = layer.concat(input=[dnn, lr])
......@@ -175,43 +187,44 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
return fc
<a id="orgbf70727"></a>
<a id="org6afcbfa"></a>
## 训练任务的定义
```python
dnn = build_dnn_submodel(dnn_layer_dims)
lr = build_lr_submodel()
output = combine_submodels(dnn, lr)
# ==============================================================================
# cost and train period
# ==============================================================================
classification_cost = paddle.layer.multi_binary_label_cross_entropy_cost(
input=output, label=click)
params = paddle.parameters.create(classification_cost)
optimizer = paddle.optimizer.Momentum(momentum=0)
trainer = paddle.trainer.SGD(
cost=classification_cost, parameters=params, update_equation=optimizer)
dataset = AvazuDataset(train_data_path, n_records_as_test=test_set_size)
def event_handler(event):
if isinstance(event, paddle.event.EndIteration):
if event.batch_id % 100 == 0:
logging.warning("Pass %d, Samples %d, Cost %f" % (
event.pass_id, event.batch_id * batch_size, event.cost))
if event.batch_id % 1000 == 0:
result = trainer.test(
reader=paddle.batch(dataset.test, batch_size=1000),
feeding=field_index)
logging.warning("Test %d-%d, Cost %f" % (event.pass_id, event.batch_id,
result.cost))
trainer.train(
reader=paddle.batch(
paddle.reader.shuffle(dataset.train, buf_size=500),
......@@ -221,13 +234,12 @@ Wide & Deep Learning Model 可以作为一种相对成熟的模型框架使用
num_passes=100)
<a id="orgefd4d16"></a>
<a id="orgbfe2993"></a>
# 写在最后
# 引用
- [1] <https://en.wikipedia.org/wiki/Click-through_rate>
- [2] Strategies for Training Large Scale Neural Network Language Models
- <https://www.kaggle.com/c/avazu-ctr-prediction/data>
[1] <https://www.kaggle.com/c/avazu-ctr-prediction/data>
- [2] Mikolov, Tomáš, et al. "Strategies for training large scale neural network language models." Automatic Speech Recognition and Understanding (ASRU), 2011 IEEE Workshop on. IEEE, 2011.
- [3] <https://www.kaggle.com/c/avazu-ctr-prediction/data>
- [4] Cheng, Heng-Tze, et al. "Wide & deep learning for recommender systems." Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. ACM, 2016.
ctr/dataset.md
浏览文件 @ 04fbeb5e
......@@ -2,38 +2,38 @@
<h2>Table of Contents</h2>
<div id="text-table-of-contents">
<ul>
<li><a href="#orgb697e2a">1. 数据集介绍</a></li>
<li><a href="#org912d23e">2. 特征提取</a>
<li><a href="#orga96c5e8">1. 数据集介绍</a></li>
<li><a href="#orge73ddcc">2. 特征提取</a>
<ul>
<li><a href="#org59e1a78">2.1. 类别类特征</a></li>
<li><a href="#orgad86672">2.2. ID 类特征</a></li>
<li><a href="#orgeed4bfc">2.3. 数值型特征</a></li>
<li><a href="#orgbe379b1">2.1. 类别类特征</a></li>
<li><a href="#org811ca7c">2.2. ID 类特征</a></li>
<li><a href="#orgc1d7d23">2.3. 数值型特征</a></li>
</ul>
</li>
<li><a href="#orgbb21fbb">3. 特征处理</a>
<li><a href="#org609b660">3. 特征处理</a>
<ul>
<li><a href="#org9105d62">3.1. 类别型特征</a></li>
<li><a href="#org6131dd5">3.2. ID 类特征</a></li>
<li><a href="#org64a5228">3.3. 交叉类特征</a></li>
<li><a href="#orgdfa3224">3.4. 特征维度</a>
<li><a href="#org5fdd532">3.1. 类别型特征</a></li>
<li><a href="#orgad85d3e">3.2. ID 类特征</a></li>
<li><a href="#org0cbe90e">3.3. 交叉类特征</a></li>
<li><a href="#org4bdb372">3.4. 特征维度</a>
<ul>
<li><a href="#org4c15bfb">3.4.1. Deep submodel(DNN)特征</a></li>
<li><a href="#orga3f2dd5">3.4.2. Wide submodel(LR)特征</a></li>
<li><a href="#org0530a25">3.4.1. Deep submodel(DNN)特征</a></li>
<li><a href="#orged20ff2">3.4.2. Wide submodel(LR)特征</a></li>
</ul>
</li>
</ul>
</li>
<li><a href="#org55405cd">4. 输入到 PaddlePaddle 中</a></li>
<li><a href="#org70ad7d8">4. 输入到 PaddlePaddle 中</a></li>
</ul>
</div>
</div>
<a id="orgb697e2a"></a>
<a id="orga96c5e8"></a>
# 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：
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
......@@ -54,31 +54,34 @@
- C14-C21 &#x2013; anonymized categorical variables
<a id="org912d23e"></a>
<a id="orge73ddcc"></a>
# 特征提取
下面我们会简单演示几种特征的提取方式。
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）
```python
- id
- site<sub>id</sub>
- app<sub>id</sub>
- device<sub>id</sub>
2. 类别类特征（稀疏，但数量有限）
```python
- C1
- site<sub>category</sub>
- device<sub>type</sub>
- C14-C21
3. 数值型特征转化为类别型特征
```python
- hour (可以转化成数值，也可以按小时为单位转化为类别）
<a id="org59e1a78"></a>
<a id="orgbe379b1"></a>
## 类别类特征
......@@ -88,7 +91,7 @@
2. 类似词向量，用一个 Embedding Table 将每个类别映射到对应的向量
<a id="orgad86672"></a>
<a id="org811ca7c"></a>
## ID 类特征
......@@ -103,7 +106,7 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
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]。
<a id="orgeed4bfc"></a>
<a id="orgc1d7d23"></a>
## 数值型特征
......@@ -113,12 +116,12 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
- 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
<a id="orgbb21fbb"></a>
<a id="org609b660"></a>
# 特征处理
<a id="org9105d62"></a>
<a id="org5fdd532"></a>
## 类别型特征
......@@ -126,18 +129,19 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
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：
```python
class CategoryFeatureGenerator(object):
'''
Generator category features.
Register all records by calling `register` first, then call `gen` to generate
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.
......@@ -145,10 +149,10 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
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.
......@@ -158,20 +162,21 @@ ID 类特征的特点是稀疏数据，但量比较大，直接使用 One-hot
else:
res = self.dic[key]
return [res]
def __repr__(self):
return '<CategoryFeatureGenerator %d>' % len(self.dic)
本任务中，类别类特征会输入到 DNN 中使用。
<a id="org6131dd5"></a>
<a id="orgad85d3e"></a>
## 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。
```python
class IDfeatureGenerator(object):
def __init__(self, max_dim):
'''
......@@ -179,40 +184,41 @@ ID 类特征代稀疏值，且值的空间很大的情况，一般用模操作
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
<a id="org64a5228"></a>
<a id="org0cbe90e"></a>
## 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），
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<sub>cross</sub><sub>feature</sub>\` 的方法：
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<sub>cross</sub><sub>feature</sub>~ 的方法：
```python
def gen_cross_fea(self, fea1, fea2):
key = str(fea1) + str(fea2)
return self.gen(key)
比如，我们觉得原始数据中，\`device<sub>id</sub>\` 和 \`site<sub>id</sub>\` 有一些关联（比如某个 device 倾向于浏览特定 site)，
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。
<a id="orgdfa3224"></a>
<a id="org4bdb372"></a>
## 特征维度
<a id="org4c15bfb"></a>
<a id="org0530a25"></a>
### Deep submodel(DNN)特征
......@@ -271,7 +277,7 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
</table>
<a id="orga3f2dd5"></a>
<a id="orged20ff2"></a>
### Wide submodel(LR)特征
......@@ -330,23 +336,24 @@ LR 模型作为 Wide & Deep model 的 \`wide\` 部分，可以输入很 wide 的
</table>
<a id="org55405cd"></a>
<a id="org70ad7d8"></a>
# 输入到 PaddlePaddle 中
Deep 和 Wide 两部分均以 \`sparse<sub>binary</sub><sub>vector</sub>\` 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，
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
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：
```python
def concat_sparse_vectors(inputs, dims):
'''
concaterate sparse vectors into one
@inputs: list
list of sparse vector
@dims: list of int
......
Markdown is supported
0% 或 .
You are about to add 0 people to the discussion. Proceed with caution.
先完成此消息的编辑！
想要评论请 注册 或