142.如何个性化推荐系统设计-2

142.1 离线训练

• 离线训练流程

  
  
• 如何线上实时反馈特征？
  • 在线计算，与曝光日志一起上报，离线直接使用
• 如何解决曝光不足问题？
  • 使用CTR的贝叶斯平滑（CTR = 曝光次数 / 点击次数）

    • 所有新闻自身CTR(r)服从Beta分布:

      
      

    • 某一新闻，给定展示次数时和自身CTR,点击次数服从伯努利分布，曝光次数为I,点击次数为C:

      
      

    • 对最大似然函数求解参数α，β，则i新闻CTR后验估计：

      
      
    • 对曝光不足的做平滑，曝光充分的影响不大

142.2 用户画像

• 用户标签
• 统计方法
  • 用户feeds内行为，标签 计数（点击率），缺点：无法加入更多特征，不方便后续优化
• 基于机器学习的方法
  • 对用户长期兴趣建模
  • LR模型
  • 用户标签作为特征

142.3 GBDT粗排

• 为什么需要粗排？
  • 快速筛选高质量的候选集
  • 方便利用在线实时反馈特征
• 如何做粗排的特征设计？
  • 特征要相对稠密
• 如何选择合适的算法模型？
  • lightgbm
  • xgboost
  • lightgbm比xgboot速度更快；在线预测时，线程更安全

142.4 在线FM精排

• 为什么需要在线学习？
  • feeds内容更新快
  • 用户兴趣会随时间变化
  • 排序模型需要快速反应用户的兴趣变化
• FM模型
  
• 采用FTRL(Follow The Regularized Leader)更新模型
• 算法概述
  • FTRL是一种适用于处理超大规模数据的,含大量稀疏特征的在线学习的常见优化算法，方便实用，而且效果很好，常用于更新在线的CTR预估模型。
  • FTRL算法兼顾了FOBOS和RDA两种算法的优势，既能同FOBOS保证比较高的精度，又能在损失一定精度的情况下产生更好的稀疏性。
  • FTRL在处理带非光滑正则项（如L1正则）的凸优化问题上表现非常出色，不仅可以通过L1正则控制模型的稀疏度，而且收敛速度快。

• 算法要点与推导

  
  
• 算法特性及优缺点
  • 在线学习，实时性高；可以处理大规模稀疏数据；有大规模模型参数训练能力；根据不同的特征特征学习率 。
• FTRL-Proximal工程实现上的tricks：

1.saving memory

　   方案1）Poisson Inclusion：对某一维度特征所来的训练样本，以p的概率接受并更新模型。
　   方案2）Bloom Filter Inclusion：用bloom filter从概率上做某一特征出现k次才更新。

2.浮点数重新编码

    1）特征权重不需要用32bit或64bit的浮点数存储，存储浪费空间。
    2）16bit encoding，但是要注意处理rounding技术对regret带来的影响(注：python可以尝试用numpy.float16格式)

3.训练若干相似model

    1）对同一份训练数据序列，同时训练多个相似的model。
    2）这些model有各自独享的一些feature，也有一些共享的feature。
    3）出发点：有的特征维度可以是各个模型独享的，而有的各个模型共享的特征，可以用同样的数据训练。

4.Single Value Structure

    1）多个model公用一个feature存储（例如放到cbase或redis中），各个model都更新这个共有的feature结构。
    2）对于某一个model，对于他所训练的特征向量的某一维，直接计算一个迭代结果并与旧值做一个平均。

5.使用正负样本的数目来计算梯度的和（所有的model具有同样的N和P）

6.subsampling Training Data

  1）在实际中，CTR远小于50%，所以正样本更加有价值。通过对训练数据集进行subsampling，可以大大减小训练数据集的大小。
  2）正样本全部采（至少有一个广告被点击的query数据），负样本使用一个比例r采样（完全没有广告被点击的query数据）。但是直接在这种采样上进行训练，会导致比较大的biased prediction。
  3）解决办法：训练的时候，对样本再乘一个权重。权重直接乘到loss上面，从而梯度也会乘以这个权重。

• 适合场景
  • 点击率模型
• 如何选择精排特征？
  • 新增特征需保证已有特征索引不变
  • 定期离线训练淘汰无用特征，防止特征无线膨胀
  • 使用GBDT粗排预测的CTR分段结果作为特征

大数据视频推荐：
网易云课堂
CSDN
人工智能算法竞赛实战
AIops智能运维机器学习算法实战
ELK7 stack开发运维实战
PySpark机器学习从入门到精通
AIOps智能运维实战
腾讯课堂
大数据语音推荐：
ELK7 stack开发运维
企业级大数据技术应用
大数据机器学习案例之推荐系统
自然语言处理
大数据基础
人工智能：深度学习入门到精通