CTR预估专栏 | 详解Wide&Deep理论与实践
今天的主角是 Wide & Deep Model，在推荐系统和 CTR 预估中都有应用。万字长文，墙裂推荐！
Google Wide&Deep 论文中，通篇都是这两个词，必须搞懂是怎么回事！
这个是从人类的认知学习过程中演化来的。人类的大脑很复杂，它可以记忆 (memorize) 下每天发生的事情（麻雀可以飞，鸽子可以飞）然后泛化 (generalize) 这些知识到之前没有看到过的东西（有翅膀的动物都能飞）。但是泛化的规则有时候不是特别的准，有时候会出错（有翅膀的动物都能飞吗）。那怎么办那，没关系，记忆 (memorization) 可以修正泛化的规则 (generalized rules)，叫做特例（企鹅有翅膀，但是不能飞）。
这就是 Memorization 和 Generalization 的来由或者说含义。
Wide&Deep Mode 就是希望计算机可以像人脑一样，可以同时发挥 memorization 和 generalization 的作用。--Heng-Tze Cheng(Wide&Deep 作者)
同样，这两个词也是通篇出现，究竟什么意思你明白了没？
其实，Wide 也是一种特殊的神经网络，他的输入直接和输出相连。属于广义线性模型的范畴。Deep 就是指 Deep Neural Network，这个很好理解。Wide Linear Model 用于 memorization；Deep Neural Network 用于 generalization。左侧是 Wide-only，右侧是 Deep-only，中间是 Wide & Deep：
Wide 中不断提到这样一种变换用来生成组合特征，也必须搞懂才行哦。它的定义如下：
k 表示第 k 个组合特征。i 表示输入 X 的第 i 维特征。C_ki 表示这个第 i 维度特征是否要参与第 k 个组合特征的构造。d 表示输入 X 的维度。那么到底有哪些维度特征要参与构造组合特征那？这个是你之前自己定好的，在公式中没有体现。
饶了一大圈，整这么一个复杂的公式，其实就是我们之前一直在说的 one-hot 之后的组合特征：仅仅在输入样本 X 中的特征 gender=female 和特征 language=en 同时为 1，新的组合特征AND(gender=female, language=en)才为 1。所以只要把两个特征的值相乘就可以了。
Cross-product transformation 可以在二值特征中学习到组合特征，并且为模型增加非线性
Memorization：之前大规模稀疏输入的处理是：通过线性模型 + 特征交叉。所带来的 Memorization 以及记忆能力非常有效和可解释。但是 Generalization（泛化能力）需要更多的人工特征工程。
Generalization：相比之下，DNN 几乎不需要特征工程。通过对低纬度的 dense embedding 进行组合可以学习到更深层次的隐藏特征。但是，缺点是有点 over-generalize（过度泛化）。推荐系统中表现为：会给用户推荐不是那么相关的物品，尤其是 user-item 矩阵比较稀疏并且是 high-rank（高秩矩阵）
两者区别：Memorization 趋向于更加保守，推荐用户之前有过行为的 items。相比之下，generalization 更加趋向于提高推荐系统的多样性（diversity）。
Wide & Deep:Wide & Deep 包括两部分：线性模型 + DNN 部分。结合上面两者的优点，平衡 memorization 和 generalization。原因：综合 memorization 和 generalizatio 的优点，服务于推荐系统。相比于 wide-only 和 deep-only 的模型，wide & deep 提升显著（这么比较脸是不是有点大。。。）
推荐系统分为两种： CF-Based（协同过滤）、Content-Based（基于内容的推荐）
协同过滤 (collaborative filtering) 就是指基于用户的推荐，用户 A 和 B 比较相似，那么 A 喜欢的 B 也可能喜欢
基于内容推荐是指物品 item1 和 item2 比较相似，那么喜欢 item1 的用户多半也喜欢 item2
大规模的在线推荐系统中，logistic regression 应用非常广泛，因为其 简单、易扩展、可解释性。LR 的输入多半是二值化后的 one-hot 稀疏特征。Memorization 可以通过在稀疏特征上cross-product transformations来实现，比如：AND(user_installed_app=QQ, impression_app=WeChat)，当特征 user_installed_app=QQ, 和特征 impression_app=WeChat 取值都为 1 的时候，组合特征 AND(user_installed_app=QQ, impression_app=WeChat) 的取值才为 1，否则为 0。
推荐系统可以看成是一个 search ranking 问题，根据 query 得到 items 候选列表，然后对 items 通过 ranking 算法排序，得到最终的推荐列表。Wide & Deep 模型是用来解决 ranking 问题的。
如果仅仅使用线性模型：无法学习到训练集中没有的 query-item 特征组合。Embedding-based Model 可以解决这个问题。
FM 和 DNN 都算是这样的模型，可以在很少的特征工程情况下，通过学习一个低纬度的 embedding vector 来学习训练集中从未见过的组合特征。
FM 和 DNN 的缺点在于： 当 query-item 矩阵是稀疏并且是 high-rank 的时候（比如 user 有特殊的爱好，或 item 比较小众），很难非常效率的学习出低维度的表示。这种情况下，大部分的 query-item 都没有什么关系。但是 dense embedding 会导致几乎所有的 query-item 预测值都是非 0 的，这就导致了推荐过度泛化，会推荐一些不那么相关的物品。
相反，linear model 却可以通过 cross-product transformation 来记住这些 exception rules，而且仅仅使用了非常少的参数。
总结一下：
线性模型无法学习到训练集中未出现的组合特征；FM 或 DNN 通过学习 embedding vector 虽然可以学习到训练集中未出现的组合特征，但是会过度泛化。
Wide & Deep Model 通过组合这两部分，解决了这些问题。
总的来说， 推荐系统 = Retrieval + Ranking
推荐系统工作流程如下：
想象这样一个实际情况：我们打开 Google APP store，首页展示给我们一些 APP，我们点击或者下载或者购买了其中一个 APP。 在这样一个流程中，推荐系统是如何工作的那？
我们对比上面的图一点点来说：
Query:当我们打开 APP Store 的时候，就产生了一次 Query，它包含两部分的特征：User features, contextual features。UserFeatures 包括性别、年龄等人口统计特征，ContextualFeatures 包括设备、时间等上下文特征。
Items:APP store 接着展示给我们一系列的 app，这些 app 就是推荐系统针对我们的 Query 给出的推荐。这个也被叫做 impression。
User Actions:针对推荐给你的任何一个 APP，我们都可以点击、下载、购买等操作。也就是说推荐给你的 APP，你产生了某种行为。这不正是我们的最终目的吗！
Logs:Logs = Query + Impression + UserAction 查询、展示列表、操作会被记录到 logs 中作为 训练数据 给 Learner 来学习。
Retrieval：假如让你来想一个最简单的推荐系统，针对这一次 Query，来给出推荐列表。你能想到的最简单，最暴力的做法是什么那？
给数据库中所有的 APP 都打一个分数，然后按照分数从高到低返回前 N 个（比如说前 100 个）
但是有个问题，这样数据库中的 APP 实在是太多了，为了保证响应时间，这样做太慢了！Retrieval 就是用来解决这个问题的。它会利用机器学习模型和一些人为定义的规则，来返回最匹配当前 Query 的一个小的 items 集合，这个集合就是最终的推荐列表的候选集。
Ranking：
今天的主角 Wide&Deep Model 就是用来做这个事情的啦。
前面 Learner 学习到了一个 Model，利用这个 Model 对 Retrieval 给出的候选集 APP 打分！并按照打分从高到低来排序，并返回前 10 个 APP 作为最终的推荐结果展示给用户。
Retrieval system 完了之后，就是 Ranking system。Retrieval 减小了候选 items 池，Ranking system 要做的就是对比当前的 Query，对 Candidate pool 里面的所有 item 打分！
得分 score 表示成 P(y|x), 表示的是一个条件概率。y 是 label，表示 user 可以采取的 action，比如点击或者购买。x 表示输入，特征包括：
User features（年龄、性别、语言、民族等）
Contextual features(上下文特征：设备，时间等)
Impression features（展示特征：app age、app 的历史统计信息等）
Wide Part 其实是一个广义的线性模型
使用特征包括：
raw input 原始特征
cross-product transformation 组合特征
接下来我们用同一个例子来说明：你给 model 一个 query（你想吃的美食），model 返回给你一个美食，然后你购买 / 消费了这个推荐。 也就是说，推荐系统其实要学习的是这样一个条件概率： P(consumption | query, item)
Wide Part 可以对一些特例进行 memorization。比如 AND(query="fried chicken", item="chicken fried rice") 虽然从字符角度来看很接近，但是实际上完全不同的东西，那么 Wide 就可以记住这个组合是不好的，是一个特例，下次当你再点炸鸡的时候，就不会推荐给你鸡肉炒米饭了。
Deep Part 通过学习一个低纬度的 dense representation（也叫做 embedding vector）对于每一个 query 和 item，来 泛化 给你推荐一些字符上看起来不那么相关，但是你可能也是需要的。比如说：你想要炸鸡，Embedding Space 中，炸鸡和汉堡很接近，所以也会给你推荐汉堡。
Embedding vectors 被随机初始化，并根据最终的 loss 来反向训练更新。这些低维度的 dense embedding vectors 被作为第一个隐藏层的输入。隐藏层的激活函数通常使用 ReLU。
原始的稀疏特征，在两个组件中都会用到，比如query="fried chicken" item="chicken fried rice":
在训练的时候，根据最终的 loss 计算出 gradient，反向传播到 Wide 和 Deep 两部分中，分别训练自己的参数。也就是说，两个模块是一起训练的，注意这不是模型融合。
Wide 部分中的组合特征可以 记住 那些稀疏的，特定的 rules
Deep 部分通过 Embedding 来 泛化 推荐一些相似的 items
Wide 模块通过组合特征可以很效率的学习一些特定的组合，但是这也导致了他并不能学习到训练集中没有出现的组合特征。所幸，Deep 模块弥补了这个缺点。另外，因为是一起训练的，wide 和 deep 的 size 都减小了。wide 组件只需要填补 deep 组件的不足就行了，所以需要比较少的 cross-product feature transformations，而不是 full-size wide Model。
论文中的实现：
训练方法是用 mini-batch stochastic optimization。
Wide 组件是用 FTRL（Follow-the-regularized-leader） + L1 正则化学习。
Deep 组件是用 AdaGrad 来学习。
请大家一定格外的关注训练数据到底是什么？这对于理解推荐系统到底是怎么回事很重要。先给出结论：
一次展示中的一个 Item 就是一条样本。
样本的 label 要根据实际的业务需求来定，比如 APP Store 中想要提高 APP 的下载率，那么就以这次展示的这个 Item 中用户有没有下载，作为 label。下载了 label 为 1，否则为 0.说白了，模型需要预测，在当前 Query 的条件下，对于这个 Item，用户下载的条件概率。
离散特征 map 成 id
过滤掉出现次数少于设定阈值的离散特征取值，然后把这些全部 map 成一个 ID。离散特征取值少，就直接编号。多的话可能要 Hash
连续特征通过分位数规范化到 [0,1]
先把所有的值分成 n 份，那么属于第 i 部分的值规范化之后的值为 (i - 1)/(n - 1)。
Deep 部分使用的特征：
连续特征
Embedding 后的离散特征，Item 特征
Wide 部分使用的特征：
Cross Product Transformation 生成的组合特征
但是，官方给出的示例代码中，Wide 部分还使用了离散特征（没有 one-hot）。也有大佬说不用特征交叉效果也很好，这个大家在实际项目中就以实验为准吧。
每当有新的数据到达的时候，就要重新训练。如果每次都从头开始会非常耗时，Google 给出的解决办法是：实现了 warm-starting system, 它可以用之前模型的 embeddings 和 线性模型的 weights 来初始化新的模型。
Embedding 维度大小的建议：Wide&Deep 的作者指出，从经验上来讲 Embedding 层的维度大小可以用如下公式来确定：
n 是原始维度上特征不同取值的个数；k 是一个常数，通常小于 10.
模型被部署之后。每一次请求，服务器会收到一系列的 app 候选集（从 app retrival system 输出的）以及 user features（用于为每一个 app 打分）。然后，模型会把 APP 按照 score 排序，并展示给 user，按照这个顺序展示。score 就是对于 wide & deep 模型的一次 forward pass。为了控制每一次 request 响应时间在 10ms 内，引入了并行化技术。将 app 候选集分成多个小的 batches，并行化预测 score。
Wide & Deep Model 适用于输入非常稀疏的大规模分类或回归问题。比如推荐系统、search、ranking 问题。输入稀疏通常是由离散特征有非常非常多个可能的取值造成的，one-hot 之后维度非常大。
缺点：Wide 部分还是需要人为的特征工程。优点：实现了对 memorization 和 generalization 的统一建模。
代码放到 github 上了： https://github.com/gutouyu/ML_CIA/tree/master/Wide%26Deep
数据集：https://archive.ics.uci.edu/ml/machine-learning-databases/adult
代码主要包括两部分：Wide Linear Model 和 Wide & Deep Model。
数据集长这样，最后一行是 label，预测收入是否超过 5 万美元，二分类问题。
离散特征 处理分为两种情况：
知道所有的不同取值，而且取值不多。
tf.feature_column.categorical_column_with_vocabulary_list
不知道所有不同取值，或者取值非常多。
tf.feature_column.categorical_column_with_hash_bucket
原始连续特征：tf.feature_column.numeric_column
规范化到 [0,1] 的连续特征：tf.feature_column.bucketized_column
组合特征 / 交叉特征：tf.feature_column.crossed_column
组装模型：这里主要用了离散特征 + 组合特征
训练 & 评估：
运行截图：
Deep 部分用的特征： 未处理的连续特征 + Embedding(离散特征)
在 Wide 的基础上，增加 Deep 部分：
离散特征 embedding 之后，和连续特征串联。
组合 Wide & Deep：DNNLinearCombinedClassifier
训练 & 评估：
运行结果：
Wide & Deep Learning for Recommender Systems
Google AI Blog Wide & Deep Learning: Better Together with TensorFlow
https://ai.googleblog.com/2016/06/wide-deep-learning-better-together-with.html
TensorFlow Linear Model Tutorial https://www.tensorflow.org/tutorials/wide
TensorFlow Wide & Deep Learning Tutorial https://www.tensorflow.org/tutorials/wide_and_deep
TensorFlow 数据集和估算器介绍http://developers.googleblog.cn/2017/09/tensorflow.html
absl https://github.com/abseil/abseil-py/blob/master/smoke_tests/sample_app.py
本文系机器学习荐货情报局原创文章，已经授权 AI前线公众号转发传播。
如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！
相关内容
微信扫码咨询专知VIP会员