Online Learning算法理论与实践

Online Learning是工业界比较常用的机器学习算法，在很多场景下都能有很好的效果。本文主要介绍Online Learning的基本原理和两种常用的Online Learning算法：FTRL（Follow The Regularized Leader）[1]和BPR（Bayesian Probit Regression）[2]，以及Online Learning在美团移动端推荐重排序的应用。

什么是Online Learning

准确地说，Online Learning并不是一种模型，而是一种模型的训练方法，Online Learning能够根据线上反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化，提高线上预测的准确率。Online Learning的流程包括：将模型的预测结果展现给用户，然后收集用户的反馈数据，再用来训练模型，形成闭环的系统。如下图所示：

Online Learning有点像自动控制系统，但又不尽相同，二者的区别是：Online Learning的优化目标是整体的损失函数最小化，而自动控制系统要求最终结果与期望值的偏差最小。

传统的训练方法，模型上线后，更新的周期会比较长（一般是一天，效率高的时候为一小时），这种模型上线后，一般是静态的（一段时间内不会改变），不会与线上的状况有任何互动，假设预测错了，只能在下一次更新的时候完成更正。Online Learning训练方法不同，会根据线上预测的结果动态调整模型。如果模型预测错误，会及时做出修正。因此，Online Learning能够更加及时地反映线上变化。

Online Learning的优化目标

如上图所示，Online Learning训练过程也需要优化一个目标函数（红框标注的），但是和其他的训练方法不同，Online Learning要求快速求出目标函数的最优解，最好是能有解析解。

怎样实现Online Learning

前面说到Online Learning要求快速求出目标函数的最优解。要满足这个要求，一般的做法有两种：Bayesian Online Learning和Follow The Regularized Leader。下面就详细介绍这两种做法的思路。

Bayesian Online Learning

贝叶斯方法能够比较自然地导出Online Learning的训练方法：给定参数先验，根据反馈计算后验，将其作为下一次预测的先验，然后再根据反馈计算后验，如此进行下去，就是一个Online Learning的过程，如下图所示。

举个例子， 我们做一个抛硬币实验，估算硬币正面的概率μμ。我们假设μμ的先验满足

p(μ)=Beta(α,β)p(μ)=Beta⁡(α,β)

对于观测值Y＝1Y＝1，代表是正面，我们可以算的后验：
p(μ|Y=1)=Beta(α+1,β)p(μ|Y=1)=Beta⁡(α+1,β)

对于观测值Y＝0Y＝0，代表是反面，我们可以算的后验：
p(μ∣∣Y=0)=Beta(α,β+1)p(μ|Y=0)=Beta⁡(α,β+1)

按照上面的Bayesian Online Learning流程，我们可以得到估算μμ的Online Learning算法：

初始化 αα,ββ
for i = 0 ... n

如果 YiYi是正面
α=α+1α=α+1
如果 YiYi是反面
β=β+1β=β+1

最终: μ∼Beta(α,β)μ∼Beta⁡(α,β)，可以取μμ的期望，μ=αα+βμ=αα+β
假设抛了NN次硬币，正面出现HH次，反面出现TT次，按照上面的算法，可以算得：

μ=α+Hα+β+Nμ=α+Hα+β+N

和最大化似然函数：
log[p(μ∣α,β)⋅p(Y=1∣μ)H⋅p(Y=0∣μ)T]log[p(μ∣α,β)⋅p(Y=1∣μ)H⋅p(Y=0∣μ)T]

得到的解是一样的。

上面的例子是针对离散分布的，我们可以再看一个连续分布的例子。

有一种测量仪器，测量的方差σ2σ2是已知的， 测量结果为：Y1,Y2,Y3,...,YnY1,Y2,Y3,...,Yn, 求真实值μμ的分布。
仪器的方差是σ2σ2, 所以观测值Y满足高斯分布：

p(Y∣μ)=N(Y∣μ,σ2)p(Y∣μ)=N(Y∣μ,σ2)

观测到 Y1,Y2,Y3,...,YnY1,Y2,Y3,...,Yn, 估计参数 μμ 。
假设参数 μμ 满足高斯分布：
p(μ)=N(μ∣m,v2)p(μ)=N(μ∣m,v2)

观测到YiYi, 可以计算的后验：
p(μ∣Yi)=N(μ∣Yiv2+mσ2σ2+v2,σ2v2σ2+v2)p(μ∣Yi)=N(μ∣Yiv2+mσ2σ2+v2,σ2v2σ2+v2)

可以得到以下的Online Learning算法：

初始化 mm,v2v2
for i = 0 ... n

观测值为YiYi
更新

m=Yiv2+mσ2σ2+v2m=Yiv2+mσ2σ2+v2

v2=σ2v2σ2+v2v2=σ2v2σ2+v2

上面的两个结果都是后验跟先验是同一分布的（一般取共轭先验，就会有这样的效果），这个后验很自然的作为后面参数估计的先验。假设后验分布和先验不一样，我们该怎么办呢？

举个例子：假设上面的测量仪器只能观测到YY，是大于0，还是小于0，即Yi∈{−1，1}Yi∈{−1，1},Yi=−1Yi=−1，代表观测值小于0，Yi=1Yi=1代表观测值大于0。
此时，我们仍然可以计算后验分布：

p(μ∣Yi＝1)=I(μ>0)p(μ)∫+∞0p(μ)dup(μ∣Yi＝1)=I(μ>0)p(μ)∫0+∞p(μ)du

p(μ∣Yi＝−1)=I(μ<0)p(μ)∫0−∞p(μ)dup(μ∣Yi＝−1)=I(μ<0)p(μ)∫−∞0p(μ)du

但是后验分布显然不是高斯分布（是截断高斯分布），这种情况下，我们可以用和上面分布KL距离最近的高斯分布代替。
观测到Yi=1Yi=1
KL(p(μ∣Yi=1)||N(μ∣m̃ ,ṽ 2))KL(p(μ∣Yi=1)||N(μ∣m~,v~2))

可以求得：
m̃ =m+v⋅υ(mv)m~=m+v⋅υ(mv)

ṽ 2=v2(1−ω(mv))v~2=v2(1−ω(mv))

观测到Yi=−1Yi=−1

KL(p(μ∣Yi=−1)||N(μ∣μ̃ ,ṽ 2))KL(p(μ∣Yi=−1)||N(μ∣μ~,v~2))

可以求得：
m̃ =m−v⋅υ(−mv)m~=m−v⋅υ(−mv)

ṽ 2=v2(1−ω(−mv))v~2=v2(1−ω(−mv))

两者综合起来，可以求得：

m̃ =m+Yiv⋅υ(Yimv)m~=m+Yiv⋅υ(Yimv)

ṽ 2=v2(1−ω(Yimv))v~2=v2(1−ω(Yimv))

其中：
υ(t)=ϕ(t)Φ(t)υ(t)=ϕ(t)Φ(t)

ϕ(t)=12πexp(−12t2)ϕ(t)=12πexp(−12t2)

Φ(t)=∫t−∞ϕ(t)dtΦ(t)=∫−∞tϕ(t)dt

ω(t)=υ(t)∗(t−υ(t))ω(t)=υ(t)∗(t−υ(t))

有了后验我们可以得到Online Bayesian Learning流程：

初始化 mm,v2v2
for i = 0 ... n

观测值为YiYi
更新

m=m+Yi⋅v⋅υ(Yi⋅mv)m=m+Yi⋅v⋅υ(Yi⋅mv)

v2=v2(1−ω(Yi⋅mv))v2=v2(1−ω(Yi⋅mv))

Bayesian Online Learning最常见的应用就是BPR（Bayesian Probit Regression）。

BPR

在看Online BPR前，我们先了解以下Linear Gaussian System(具体可以参考[3]的4.4节)。
xx是满足多维高斯分布：

p(x)=N(x∣μx,Σx)p(x)=N(x∣μx,Σx)

yy是xx通过线性变换加入随机扰动ΣyΣy得到的变量：
p(y∣x)=N(y∣Ax+b,Σy)p(y∣x)=N(y∣Ax+b,Σy)

已知xx，我们可以得到yy的分布：

p(y)=N(y∣AμX+b,Σy+AΣxAT)p(y)=N(y∣AμX+b,Σy+AΣxAT)

上面这个结论的具体的推导过程可以参考[3]的4.4节，这里我们直接拿来用。

我们可以假设特征权重 ww 满足独立高斯分布，即

p(w)=N(w∣μ,Σ)p(w)=N(w∣μ,Σ)
：
μ=[μ1,μ2,...,μD]Tμ=[μ1,μ2,...,μD]T

Σ=⎡⎣⎢⎢⎢⎢⎢σ210⋮00σ22⋮0……⋱…00⋮σ2D⎤⎦⎥⎥⎥⎥⎥Σ=[σ120…00σ22…0⋮⋮⋱⋮00…σD2]

YY是一维变量，是ww与特征向量xx的内积，加入方差为β2β2的扰动：

p(y∣w)=N(y∣xTw,β2)p(y∣w)=N(y∣xTw,β2)

根据上面的式子可以得出：
p(y∣w)=N(y∣xTμ,xTΣx+β2)p(y∣w)=N(y∣xTμ,xTΣx+β2)

由于我们只能观测到YY，是大于0，还是小于0，即Yi∈{−1，1}Yi∈{−1，1},Yi=−1Yi=−1，代表观测值小于0，Yi=1Yi=1代表观测值大于0。

对于观测值，我们可以先用KL距离近似yy的分布，我们可以算出后验：

p(y∣Yi)=N(y∣m̃ ,ṽ 2)p(y∣Yi)=N(y∣m~,v~2)

m̃ =xTμ+Yiυ(Yi⋅xTμxTΣx+β2‾‾‾‾‾‾‾‾‾‾√)m~=xTμ+Yiυ(Yi⋅xTμxTΣx+β2)

ṽ 2=(xTΣx+β2)(1−ω(Yi⋅xTμxTΣx+β2‾‾‾‾‾‾‾‾‾‾√))v~2=(xTΣx+β2)(1−ω(Yi⋅xTμxTΣx+β2))

有了yy的近似分布，我们可以计算出后验：
p(w∣y)∝p(y∣w)p(w)p(w∣y)∝p(y∣w)p(w)

可以求得：

p(wd∣y)=N(wd∣μ̃ d,σ̃ d)p(wd∣y)=N(wd∣μ~d,σ~d)

μ̃ d=μd+Yixi,d⋅σ2dxTΣx+β2‾‾‾‾‾‾‾‾‾‾√⋅υ(Yi⋅xTμxTΣx+β2‾‾‾‾‾‾‾‾‾‾√)μ~d=μd+Yixi,d⋅σd2xTΣx+β2⋅υ(Yi⋅xTμxTΣx+β2)

σ̃ d=σd⋅[1−xi,d⋅σ2dxTΣx+β2ω(Yi⋅xTμxTΣx+β2‾‾‾‾‾‾‾‾‾‾√)]σ~d=σd⋅[1−xi,d⋅σd2xTΣx+β2ω(Yi⋅xTμxTΣx+β2)]

Online Bayesian Probit Regression 训练流程如下：

初始化 μ1μ1,σ21σ12, μ2μ2,σ22σ22 , ... , μDμD,σ2DσD2
for i = 1 ... n

观测值为YiYi
for d = 1 ... D
更新

μd=μd+Yixi,d⋅σ2dxTiΣxi+β2‾‾‾‾‾‾‾‾‾‾√⋅υ⎛⎝⎜⎜⎜Yi⋅xTiμxTiΣxi+β2‾‾‾‾‾‾‾‾‾‾√⎞⎠⎟⎟⎟μd=μd+Yixi,d⋅σd2xiTΣxi+β2⋅υ(Yi⋅xiTμxiTΣxi+β2)

σd=σd⋅⎡⎣⎢⎢⎢1−xi,d⋅σ2dxTiΣxi+β2ω⎛⎝⎜⎜⎜Yi⋅xTiμxTiΣx+β2‾‾‾‾‾‾‾‾‾‾√⎞⎠⎟⎟⎟⎤⎦⎥⎥⎥σd=σd⋅[1−xi,d⋅σd2xiTΣxi+β2ω(Yi⋅xiTμxiTΣx+β2)]

FTRL

除了Online Bayesian Learning，还有一种做法就是FTRL（Follow The Regularized Leader）。
FTRL的网上资料很多，但是大部分介绍怎么样产生稀疏化解，而往往忽略了FTRL的基本原理。顾名思义，FTRL和稀疏化并没有关系，它只是一种做Online Learning的思想。

先说说FTL（Follow The Leader）算法，FTL思想就是每次找到让之前所有损失函数之和最小的参数。流程如下：

初始化 ww
for t = 1 ... n

损失函数 ftft
更新

w=argminw∑i=1tfi(w)w=argminw∑i=1tfi(w)

FTRL算法就是在FTL的优化目标的基础上，加入了正规化，防止过拟合：

w=argminw∑i=1tfi(w)+R(w)w=argminw∑i=1tfi(w)+R(w)

其中，R(w)R(w)是正规化项。

FTRL算法的损失函数，一般也不是能够很快求解的，这种情况下，一般需要找一个代理的损失函数。

代理损失函数需要满足几个要求：

1. 代理损失函数比较容易求解，最好是有解析解
2. 优化代理损失函数求的解，和优化原函数得到的解差距不能太大

为了衡量条件2中的两个解的差距，这里需要引入regret的概念。

假设每一步用的代理函数是ht(w)ht(w)
每次取

wt=argminwht−1(w)wt=argminwht−1(w)

Regrett=∑t=1Tft(wt)−∑t=1Tft(w∗)Regrett=∑t=1Tft(wt)−∑t=1Tft(w∗)

其中w∗=argminw∑ti=1fi(w)w∗=argminw∑i=1tfi(w)，是原函数的最优解。就是我们每次代理函数求出解，离真正损失函数求出解的损失差距。当然这个损失必须满足一定的条件，Online Learning才可以有效，就是：

limt→∞Regrettt=0limt→∞Regrettt=0

随着训练样本的增多，这两个优化目标优化出的参数的实际损失值差距越来越小。

代理函数 ht(w)ht(w) 应该该怎么选呢？
如果ft(w)ft(w) 是凸函数，我们可以用下面的代理损失函数：

ht=∑i=1tgi⋅w+∑i=1t(12ηt−12ηt−1)||w−wt||2ht=∑i=1tgi⋅w+∑i=1t(12ηt−12ηt−1)||w−wt||2

其中gigi 是fi(wi)fi(wi)次梯度（如果 fi(wi)fi(wi)是可导的，次梯度就是梯度）。ηtηt满足：

ηt=α∑ti=1g2t‾‾‾‾‾‾‾√ηt=α∑i=1tgt2

为了产生稀疏的效果，我们也可以加入l1正规化：

ht=∑i=1tgi⋅w+∑i=1t(12ηt−12ηt−1)||w−wt||2＋λ1|w|ht=∑i=1tgi⋅w+∑i=1t(12ηt−12ηt−1)||w−wt||2＋λ1|w|

只要ft(w)ft(w) 是凸函数，上面的代理函数一定满足：
limt→∞Regrettt=0limt→∞Regrettt=0

上面的式子我们可以得出ww的解析解：

wt+1,i={0−ηt(zt,i−sgn(zt,i)λ1))|zt,i|<λ1otherwisewt+1,i={0|zt,i|<λ1−ηt(zt,i−sgn(zt,i)λ1))otherwise

其中

zt,i=∑s=1tgs,i+∑s=1t(1ηt,i−1ηt−1,i)wt,izt,i=∑s=1tgs,i+∑s=1t(1ηt,i−1ηt−1,i)wt,i

可以得到FTRL的更新流程如下：

输入αα, λ1λ1
初始化 w1...Nw1...N, z1..N=0z1..N=0 , n1..N=0n1..N=0
for t = 1 ... T

损失函数 ftft
for i = 1 ..N

计算

gt,i=∂fi(wt−1)wt−1,igt,i=∂fi(wt−1)wt−1,i

zt+=gt,i+1α(ni+g2t,i‾‾‾‾‾‾‾√−ni‾‾√)wt,izt+=gt,i+1α(ni+gt,i2−ni)wt,i

ni+=g2t,ini+=gt,i2

更新
wt+1,i={0−ηt(zt,i−sgn(zt,i)λ1))|zt,i|<λ1otherwisewt+1,i={0|zt,i|<λ1−ηt(zt,i−sgn(zt,i)λ1))otherwise

Online Learning实践

前面讲了Online Learning的基本原理，这里以移动端推荐重排序为例，介绍一下Online Learning在实际中的应用。

推荐重排序介绍

目前的推荐系统，主要采用了两层架构，首先是触发层，会根据上下文条件和用户的历史行为，触发用户可能感兴趣的item，然后由排序模型对触发的item排序，如下图所示：

推荐重排序既能融合不同触发策略，又能较大幅度提高推荐效果（我们这里主要是下单率）。在移动端，屏幕更加小，用户每次看到的item数目更加少，排序的作用更加突出。

美团重排序Online Learning架构

美团Online Learning架构如下图所示：

线上的展示日志，点击日志和下单日志会写入不同的Kafka流。读取Kafka流，以HBase为中间缓存，完成label match（下单和点击对映到相应的展示日志），在做label match的过成中，会对把同一个session的日志放在一起，方便后面做skip above：

训练数据生成

移动端推荐的数据跟PC端不同，移动端一次会加载很多item，但是无法保证这些item会被用户看到。为了保证数据的准确性，我们采用了skip above的办法，如下图所示：

假设用户点击了第i个位置，我们保留从第1条到第i+2条数据作为训练数据，其他的丢弃。这样能够最大程度的保证训练样本中的数据是被用户看到的。

特征

用的特征如下图所示：

算法选择

我们尝试了FTRL和BPR效果，线下实验效果如下表：

BPR的效果略好，但是我们线上选用了FTRL模型，主要原因是FTRL能够产生稀疏化的效果，训练出的模型会比较小。

模型训练

训练算法不断地从HBase中读取数据，完成模型地训练，训练模型放在Medis（美团内部地Redis）中，线上会用Medis中的模型预测下单率，根据预测的下单率，完成排序。

线上效果

上线后，最终的效果如下图所示，和base算法相比，下单率提高了5%。

参考资料

• [1] McMahan H B, Holt G, Sculley D, et al. Ad Click Prediction: a View from the Trenches. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2013.
• [2] Graepel T, Candela J Q, Borchert T,et al. Web-Scale Bayesian Click-Through Rate Prediction for Sponsored Search Advertising in Microsoft's Bing Search Engine. Proceedings of the 27th International Conference on Machine Learning ICML. 2010.
• [3] Murphy K P. Machine Learning: A Probabilistic Perspective. The MIT Press. 2012.