# 点击率预估 以下是本例目录包含的文件以及对应说明: ``` ├── README.md # 本教程markdown 文档 ├── dataset.md # 数据集处理教程 ├── images # 本教程图片目录 │   ├── lr_vs_dnn.jpg │   └── wide_deep.png ├── infer.py # 预测脚本 ├── network_conf.py # 模型网络配置 ├── reader.py # data reader ├── train.py # 训练脚本 └── utils.py # helper functions └── avazu_data_processer.py # 示例数据预处理脚本 ``` ## 背景介绍 CTR(Click-Through Rate，点击率预估)\[[1](https://en.wikipedia.org/wiki/Click-through_rate)\] 是对用户点击一个特定链接的概率做出预测，是广告投放过程中的一个重要环节。精准的点击率预估对在线广告系统收益最大化具有重要意义。 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来展示广告： 1. 获取满足 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. 展出广告 可以看到，CTR 在最终排序中起到了很重要的作用。 ### 发展阶段 在业内，CTR 模型经历了如下的发展阶段： - Logistic Regression(LR) / GBDT + 特征工程 - LR + DNN 特征 - DNN + 特征工程 在发展早期时 LR 一统天下，但最近 DNN 模型由于其强大的学习能力和逐渐成熟的性能优化， 逐渐地接过 CTR 预估任务的大旗。 ### LR vs DNN 下图展示了 LR 和一个 \(3x2\) 的 DNN 模型的结构：


Figure 1. LR 和 DNN 模型结构对比

LR 的蓝色箭头部分可以直接类比到 DNN 中对应的结构，可以看到 LR 和 DNN 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 DNN 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 DNN 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 DNN 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 DNN 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。 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。 ## 数据和任务抽象 我们可以将 `click` 作为学习目标，任务可以有以下几种方案： 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 listwise 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 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\[[2](https://www.kaggle.com/c/avazu-ctr-prediction/data)\] 来演示本例中的模型。 具体的特征处理方法参看 [data process](./dataset.md)。 本教程中演示模型的输入格式如下： ``` # \t \t click 1 23 190 \t 230:0.12 3421:0.9 23451:0.12 \t 0 23 231 \t 1230:0.12 13421:0.9 \t 1 ``` 详细的格式描述如下： - `dnn input ids` 采用 one-hot 表示，只需要填写值为1的ID（注意这里不是变长输入） - `lr input sparse values` 使用了 `ID:VALUE` 的表示，值部分最好规约到值域 `[-1, 1]`。 此外，模型训练时需要传入一个文件描述 dnn 和 lr两个子模型的输入维度，文件的格式如下： ``` dnn_input_dim: lr_input_dim: ``` 其中， `` 表示一个整型数值。 本目录下的 `avazu_data_processor.py` 可以对下载的演示数据集\[[2](#参考文档)\] 进行处理，具体使用方法参考如下说明： ``` usage: avazu_data_processer.py [-h] --data_path DATA_PATH --output_dir OUTPUT_DIR [--num_lines_to_detect NUM_LINES_TO_DETECT] [--test_set_size TEST_SET_SIZE] [--train_size TRAIN_SIZE] PaddlePaddle CTR example optional arguments: -h, --help show this help message and exit --data_path DATA_PATH path of the Avazu dataset --output_dir OUTPUT_DIR directory to output --num_lines_to_detect NUM_LINES_TO_DETECT number of records to detect dataset's meta info --test_set_size TEST_SET_SIZE size of the validation dataset(default: 10000) --train_size TRAIN_SIZE size of the trainset (default: 100000) ``` - `data_path` 是待处理的数据路径 - `output_dir` 生成数据的输出路径 - `num_lines_to_detect` 预先扫描数据生成ID的个数，这里是扫描的文件行数 - `test_set_size` 生成测试集的行数 - `train_size` 生成训练姐的行数 ## 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 适用于大规模稀疏特征的 LR 两种模型的优点。 ### 模型简介 Wide & Deep Learning Model\[[3](#参考文献)\] 可以作为一种相对成熟的模型框架使用， 在 CTR 预估的任务中工业界也有一定的应用，因此本文将演示使用此模型来完成 CTR 预估的任务。 模型结构如下：


Figure 2. Wide & Deep Model

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。 ### 编写模型输入 模型只接受 3 个输入，分别是 - `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)) ``` ### 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 ``` ### 编写 Deep 部分 Deep 部分使用了标准的多层前向传导的 DNN 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 for i, dim in enumerate(dnn_layer_dims[1:]): fc = layer.fc( input=_input_layer, size=dim, act=paddle.activation.Relu(), name='dnn-fc-%d' % i) _input_layer = fc return _input_layer ``` ### 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，并最终作为 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]) fc = layer.fc( input=merge_layer, size=1, name='output', # use sigmoid function to approximate ctr, wihch is a float value between 0 and 1. act=paddle.activation.Sigmoid()) return fc ``` ### 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) paddle.init(use_gpu=False, trainer_count=11) 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), batch_size=batch_size), feeding=field_index, event_handler=event_handler, num_passes=100) ``` ## 运行训练和测试 训练模型需要如下步骤： 1. 准备训练数据 1. 从 [Kaggle CTR](https://www.kaggle.com/c/avazu-ctr-prediction/data) 下载 train.gz 2. 解压 train.gz 得到 train.txt 3. `mkdir -p output; python avazu_data_processer.py --data_path train.txt --output_dir output --num_lines_to_detect 1000 --test_set_size 100` 生成演示数据 2. 执行 `python train.py --train_data_path ./output/train.txt --test_data_path ./output/test.txt --data_meta_file ./output/data.meta.txt --model_type=0` 开始训练 上面第2个步骤可以为 `train.py` 填充命令行参数来定制模型的训练过程，具体的命令行参数及用法如下 ``` usage: train.py [-h] --train_data_path TRAIN_DATA_PATH [--test_data_path TEST_DATA_PATH] [--batch_size BATCH_SIZE] [--num_passes NUM_PASSES] [--model_output_prefix MODEL_OUTPUT_PREFIX] --data_meta_file DATA_META_FILE --model_type MODEL_TYPE PaddlePaddle CTR example optional arguments: -h, --help show this help message and exit --train_data_path TRAIN_DATA_PATH path of training dataset --test_data_path TEST_DATA_PATH path of testing dataset --batch_size BATCH_SIZE size of mini-batch (default:10000) --num_passes NUM_PASSES number of passes to train --model_output_prefix MODEL_OUTPUT_PREFIX prefix of path for model to store (default: ./ctr_models) --data_meta_file DATA_META_FILE path of data meta info file --model_type MODEL_TYPE model type, classification: 0, regression 1 (default classification) ``` ## 用训好的模型做预测 训好的模型可以用来预测新的数据， 预测数据的格式为 ``` # \t 1 23 190 \t 230:0.12 3421:0.9 23451:0.12 23 231 \t 1230:0.12 13421:0.9 ``` 这里与训练数据的格式唯一不同的地方，就是没有标签，也就是训练数据中第3列 `click` 对应的数值。 `infer.py` 的使用方法如下 ``` usage: infer.py [-h] --model_gz_path MODEL_GZ_PATH --data_path DATA_PATH --prediction_output_path PREDICTION_OUTPUT_PATH [--data_meta_path DATA_META_PATH] --model_type MODEL_TYPE PaddlePaddle CTR example optional arguments: -h, --help show this help message and exit --model_gz_path MODEL_GZ_PATH path of model parameters gz file --data_path DATA_PATH path of the dataset to infer --prediction_output_path PREDICTION_OUTPUT_PATH path to output the prediction --data_meta_path DATA_META_PATH path of trainset's meta info, default is ./data.meta --model_type MODEL_TYPE model type, classification: 0, regression 1 (default classification) ``` 示例数据可以用如下命令预测 ``` python infer.py --model_gz_path --data_path output/infer.txt --prediction_output_path predictions.txt --data_meta_path data.meta.txt ``` 最终的预测结果位于 `predictions.txt`。 ## 参考文献 1. 2. 3. Cheng H T, Koc L, Harmsen J, et al. [Wide & deep learning for recommender systems](https://arxiv.org/pdf/1606.07792.pdf)[C]//Proceedings of the 1st Workshop on Deep Learning for Recommender Systems. ACM, 2016: 7-10.