背景
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。我们假设的先验满足
对于观测值
Y
=
1
Y=1
Y=1,代表是正面,我们可以算的后验:
对于观测值
Y
=
0
Y=0
Y=0,代表是反面,我们可以算的后验:
按照上面的Bayesian Online Learning流程,我们可以得到估算的Online Learning算法:
初始化 α 、 β \alpha 、\beta α、β
for i = 0... n i = 0 ... n i=0...n
如果 Y i Y_{i} Yi是正面
α = α + 1 \alpha =\alpha+1 α=α+1
如果 Y i Y_{i} Yi是反面
β = β + 1 \beta =\beta+1 β=β+1
最终:
μ
∼
Beta
(
α
,
β
)
\mu \sim \operatorname{Beta}(\alpha, \beta)
μ∼Beta(α,β),可以取
μ
\mu
μ的期望,
假设抛了N次硬币,正面出现H次,反面出现T次,按照上面的算法,可以算得:
和最大化似然函数:
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
σ
2
\sigma^2
σ2是已知的, 测量结果为:
Y
1
,
Y
2
,
Y
3
,
…
,
Y
n
Y_1 , Y_2 , Y_3 , … , Y_n
Y1,Y2,Y3,…,Yn,求真实值
μ
\mu
μ的分布。 仪器的方差是
σ
2
\sigma^2
σ2, 所以观测值Y满足高斯分布:
观测到
Y
1
,
Y
2
,
Y
3
,
…
,
Y
n
Y_1 , Y_2 , Y_3 , … , Y_n
Y1,Y2,Y3,…,Yn , 估计参数
μ
\mu
μ 。 假设参数
μ
\mu
μ 满足高斯分布:
观测到
Y
i
Y_i
Yi,可以计算的后验:
p
(
μ
∣
Y
i
)
=
N
(
μ
∣
Y
i
v
2
+
m
σ
2
σ
2
+
v
2
,
σ
2
v
2
σ
2
+
v
2
)
p \left( \mu \mid Y_i \right) = N\left( \mu \mid \frac{Yi v^{2}+m\sigma^{2}}{\sigma^{2}+v^{2}} , \frac{\sigma^{2}v^{2}}{\sigma^{2}+v^{2}} \right)
p(μ∣Yi)=N(μ∣σ2+v2Yiv2+mσ2,σ2+v2σ2v2)
可以得到以下的Online Learning算法:
初始化 m , v 2 m, v ^{2} m,v2
for i = 0 … n
观测值为 Y i Y{i} Yi
更新
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
Y
Y
Y是大于0,还是小于0,即
Y
i
∈
{
−
1
,
1
}
Y_{i} \in \{-1,1\}
Yi∈{−1,1},
Y
i
=
−
1
Y_{i} = -1
Yi=−1代表观测值小于0,
Y
i
=
1
Y_{i} = 1
Yi=1代表观测值大于0。 此时,我们仍然可以计算后验分布:
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
Y
i
=
1
Y_{i} = 1
Yi=1
可以求得:
观测到
Y
i
=
−
1
Y_{i} = -1
Yi=−1
可以求得:
两者综合起来,可以求得:
其中:
有了后验,我们就可以得到Online Bayesian Learning流程:
初始化 m , v 2 m,v_{2} m,v2
for i = 0 … n i = 0 … n i=0…n
观测值为 Y i Y_{i} Yi
更新
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)。
x
x
x满足多维高斯分布:
y
y
y是
x
x
x通过线性变换加入随机扰动
Σ
y
\Sigma_y
Σy得到的变量:
已知
x
x
x,我们可以得到
y
y
y的分布:
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
w
w
w 满足独立高斯分布,即
p
(
w
)
=
N
(
w
∣
μ
,
Σ
)
p(w) = N\left( w \mid \mu ,\Sigma \right)
p(w)=N(w∣μ,Σ)
μ
=
[
μ
1
,
μ
2
,
.
.
.
,
μ
D
]
T
\mu = \left[ \mu_1,\mu_2,...,\mu_D\right]^{\mathrm{T}}
μ=[μ1,μ2,...,μD]T
Σ
=
[
σ
1
2
0
…
0
0
σ
2
2
…
0
⋮
⋮
⋱
⋮
0
0
…
σ
D
2
]
\Sigma = \left[ \begin{matrix} \sigma_1^{2} & 0 & \ldots & 0 \\\newline 0 & \sigma_2^{2} & \ldots & 0\\ \newline \vdots &\vdots & \ddots & \vdots \\\newline 0 & 0 & \ldots & \sigma_D^{2} \newline \end{matrix} \right]
Σ=⎣⎢⎢⎢⎡σ120⋮00σ22⋮0……⋱…00⋮σD2⎦⎥⎥⎥⎤
Y
Y
Y是一维变量,是
x
x
x与特征向量
w
w
w的内积,加入方差为
β
2
\beta _{2}
β2的扰动:
p
(
y
∣
w
)
=
N
(
y
∣
x
T
w
,
β
2
)
p\left( y \mid w\right) = N(y \mid x^Tw, \beta^2)
p(y∣w)=N(y∣xTw,β2)
根据上面的式子可以得出:
p
(
y
∣
w
)
=
N
(
y
∣
x
T
μ
,
x
T
Σ
x
+
β
2
)
p\left( y \mid w\right) = N(y \mid x^T\mu, x^T\Sigma x +\beta^2)
p(y∣w)=N(y∣xTμ,xTΣx+β2)
由于我们只能观测到
Y
Y
Y是大于0还是小于0,即
Y
i
∈
{
−
1
,
1
}
Y_{i} \in \{-1,1\}
Yi∈{−1,1},
Y
i
=
−
1
Y_{i} = -1
Yi=−1代表观测值小于0,
Y
i
=
1
Y_{i} = 1
Yi=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
y
y
y的分布,我们可以算出后验:
p
(
y
∣
Y
i
)
=
N
(
y
∣
m
~
,
v
~
2
)
p\left(y\mid Y_i\right) = N\left(y\mid \tilde m, \tilde v^2 \right)
p(y∣Yi)=N(y∣m~,v~2)
m
~
=
x
T
μ
+
Y
i
υ
(
Y
i
⋅
x
T
μ
x
T
Σ
x
+
β
2
)
\tilde m = x^T\mu + Y_{i}\upsilon \left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}}\right)
m~=xTμ+Yiυ(Yi⋅xTΣx+β2xTμ)
v
~
2
=
(
x
T
Σ
x
+
β
2
)
(
1
−
ω
(
Y
i
⋅
x
T
μ
x
T
Σ
x
+
β
2
)
)
\tilde v^2 = \left(x^T\Sigma x +\beta^2\right)\left(1-\omega\left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}} \right)\right)
v~2=(xTΣx+β2)(1−ω(Yi⋅xTΣx+β2xTμ))
有了
y
y
y的近似分布,我们可以计算出后验:
p
(
w
∣
y
)
∝
p
(
y
∣
w
)
p
(
w
)
p\left(w \mid y \right) \propto p\left(y \mid w \right) p\left(w\right)
p(w∣y)∝p(y∣w)p(w)
可以求得:
p
(
w
d
∣
y
)
=
N
(
w
d
∣
μ
~
d
,
σ
~
d
)
p\left( w_{d} \mid y \right) = N\left( w_{d} \mid \tilde \mu_{d},\tilde \sigma_{d} \right)
p(wd∣y)=N(wd∣μ~d,σ~d)
μ
~
d
=
μ
d
+
Y
i
x
i
,
d
⋅
σ
d
2
x
T
Σ
x
+
β
2
⋅
υ
(
Y
i
⋅
x
T
μ
x
T
Σ
x
+
β
2
)
\tilde \mu_{d} = \mu_{d} + Y_{i} x_{i,d}\cdot \frac {\sigma_{d}^{2} }{\sqrt{x^T\Sigma x +\beta^2}} \cdot \upsilon \left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}}\right)
μ~d=μd+Yixi,d⋅xTΣx+β2σd2⋅υ(Yi⋅xTΣx+β2xTμ)
σ
~
d
=
σ
d
⋅
[
1
−
x
i
,
d
⋅
σ
d
2
x
T
Σ
x
+
β
2
ω
(
Y
i
⋅
x
T
μ
x
T
Σ
x
+
β
2
)
]
\tilde \sigma_{d} = \sigma_{d} \cdot \left[ 1 - x_{i,d} \cdot \frac{\sigma_{d}^{2}}{x^T\Sigma x +\beta^2} \omega\left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}} \right) \right]
σ~d=σd⋅[1−xi,d⋅xTΣx+β2σd2ω(Yi⋅xTΣx+β2xTμ)]
Online Bayesian Probit Regression 训练流程如下:
初始化 μ 1 , σ 1 2 , μ 2 , σ 2 2 , ⋯ , μ D , σ D 2 \mu _{1},\sigma _{1}^{2},\mu_{2},\sigma _{2}^{2},\cdots ,\mu _{D},\sigma _{D}^{2} μ1,σ12,μ2,σ22,⋯,μD,σD2
for i = 1 … n i = 1 … n i=1…n
观测值为 Y i Y{i} Yi
for d = 1 … D d = 1 … D d=1…D
更新
μ d = μ d + Y i x i , d ⋅ σ d 2 x i T Σ x i + β 2 ⋅ υ ( Y i ⋅ x i T μ x i T Σ x i + β 2 ) \mu_{d} = \mu_{d} + Y_{i} x_{i,d}\cdot \frac {\sigma_{d}^{2} }{\sqrt{x_{i}^T\Sigma x_{i} +\beta^2}} \cdot \upsilon \left(Y_{i} \cdot \frac{x_{i}^T\mu}{\sqrt{x_{i}^T\Sigma x_{i} +\beta^2}}\right) μd=μd+Yixi,d⋅xiTΣxi+β2σd2⋅υ(Yi⋅xiTΣxi+β2xiTμ)
σ d = σ d ⋅ [ 1 − x i , d ⋅ σ d 2 x i T Σ x i + β 2 ω ( Y i ⋅ x i T μ x i T Σ x + β 2 ) ] \sigma_{d} = \sigma_{d} \cdot \left[ 1 - x{i,d} \cdot \frac{\sigma_{d}^{2}}{x_{i}^T\Sigma x_{i} +\beta^2} \omega\left(Y_{i} \cdot \frac{x_{i}^T\mu}{\sqrt{x_{i}^T\Sigma x +\beta^2}} \right) \right] σd=σd⋅[1−xi,d⋅xiTΣxi+β2σd2ω(Yi⋅xiTΣx+β2xiTμ)]
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 w w w
for t = 1 … n t = 1 … n t=1…n
损失函数 f t f_{t} ft
更新
w = a r g m i n w ∑ i = 1 t f i ( w ) w = argmin_{w} \sum_{i=1}^{t} f_i \left (w \right) 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
=
a
r
g
m
i
n
w
∑
i
=
1
t
f
i
(
w
)
+
R
(
w
)
w = argmin_{w} \sum_{i=1}^{t} f_i \left (w \right) + R(w)
w=argminwi=1∑tfi(w)+R(w)
其中,
R
(
w
)
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:
- 代理损失函数比较容易求解,最好是有解析解
- 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
h
t
(
w
)
h_t \left( w \right)
ht(w),每次取
w
t
=
a
r
g
m
i
n
w
h
t
−
1
(
w
)
w_{t} = argmin_{w} h_{t-1} \left (w \right)
wt=argminwht−1(w)
R
e
g
r
e
t
t
=
∑
t
=
1
T
f
t
(
w
t
)
−
∑
t
=
1
T
f
t
(
w
∗
)
Regret_{t} =\sum_{t=1}^{T}f_{t}\left(w_{t}\right) - \sum_{t=1}^{T}f_{t}\left(w^{*}\right)
Regrett=t=1∑Tft(wt)−t=1∑Tft(w∗)
其中
w
∗
=
a
r
g
m
i
n
w
∑
i
=
1
t
f
i
(
w
)
w^{*} = argmin_{w} \sum_{i=1}^{t}f_i\left(w\right)
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:
lim
t
→
∞
R
e
g
r
e
t
t
t
=
0
\lim_{t \rightarrow \infty } \frac{Regret_t}{t} = 0
t→∞limtRegrett=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
h
t
(
w
)
h_t(w)
ht(w) 应该该怎么选呢? 如果
f
t
(
w
)
f_t(w)
ft(w)是凸函数,我们可以用下面的代理损失函数:
h
t
=
∑
i
=
1
t
g
i
⋅
w
+
∑
i
=
1
t
(
1
2
η
t
−
1
2
η
t
−
1
)
∣
∣
w
−
w
t
∣
∣
2
h_{t} = \sum_{i=1}^{t} g_{i}\cdot w + \sum_{i=1}^{t} \left(\frac{1}{2 \eta_{t}} - \frac{1}{2 \eta_{t-1}} \right)||w - w_{t}||^{2}
ht=i=1∑tgi⋅w+i=1∑t(2ηt1−2ηt−11)∣∣w−wt∣∣2
其中
g
i
g_{i}
gi是
f
i
(
w
i
)
f_i( w_i)
fi(wi)次梯度(如果
f
i
(
w
i
)
f_i( w_i)
fi(wi)是可导的,次梯度就是梯度)。
η
t
\eta_{t}
ηt满足:
η
t
=
α
∑
i
=
1
t
g
t
2
\eta_{t} = \frac{\alpha}{\sqrt{\sum_{i=1}^{t} g_{t}^{2}}}
ηt=∑i=1tgt2α
为了产生稀疏的效果,我们也可以加入L1正规化:
h
t
=
∑
i
=
1
t
g
i
⋅
w
+
∑
i
=
1
t
(
1
2
η
t
−
1
2
η
t
−
1
)
∥
w
−
w
t
∥
2
+
λ
1
∣
w
∣
h_{t} = \sum_{i=1}^{t} g_{i}\cdot w +\sum_{i=1}^{t} \left ( \frac{1}{2 \eta_{t}}-\frac{1}{2 \eta_{t-1}} \right )\left \| w - w_{t} \right \|^{2} +\lambda_{1}|w|
ht=i=1∑tgi⋅w+i=1∑t(2ηt1−2ηt−11)∥w−wt∥2+λ1∣w∣
只要
f
t
(
w
)
f_t(w)
ft(w)是凸函数,上面的代理函数一定满足:
lim
t
→
∞
R
e
g
r
e
t
t
t
=
0
\lim_{t \rightarrow \infty } \frac{Regret_t}{t} = 0
t→∞limtRegrett=0
上面的式子我们可以得出
w
w
w的解析解:
w
t
+
1
,
i
=
{
0
∣
z
t
,
i
∣
<
λ
1
−
η
t
(
z
t
,
i
−
s
g
n
(
z
t
,
i
)
λ
1
)
)
o
t
h
e
r
w
i
s
e
w_{t+1,i} = \left\{ \begin{array}{ll} 0 & |z_{t,i}| < \lambda_{1}\\ \newline -\eta_{t}(z_{t,i} - sgn(z_{t,i})\lambda_{1}) ) & otherwise \end{array} \right.
wt+1,i={0−ηt(zt,i−sgn(zt,i)λ1))∣zt,i∣<λ1otherwise
其中
z
t
,
i
=
∑
s
=
1
t
g
s
,
i
+
∑
s
=
1
t
(
1
η
t
,
i
−
1
η
t
−
1
,
i
)
w
t
,
i
z_{t,i} = \sum_{s=1}^{t}g_{s,i} + \sum_{s=1}^{t}\left( \frac{1}{ \eta_{t,i}} - \frac{1}{ \eta_{t-1,i}} \right) w_{t,i}
zt,i=s=1∑tgs,i+s=1∑t(ηt,i1−ηt−1,i1)wt,i
可以得到FTRL的更新流程如下:
输入 α , λ 1 \alpha ,\lambda _{1} α,λ1
初始化 w 1... N , z 1... N = 0 , n 1... N = 0 w_{1...N},z_{1...N}=0,n_{1...N}=0 w1...N,z1...N=0,n1...N=0
for t = 1... T t = 1 ... T t=1...T损失函数 f t f_t ft
for i = 1.. N i = 1 ..N i=1..N
计算
g t , i = ∂ f i ( w t − 1 ) w t − 1 , i g_{t,i} = \frac{\partial f_{i}\left(w_{t-1}\right)}{w_{t-1,i}} gt,i=wt−1,i∂fi(wt−1)
z t + = g t , i + 1 α ( n i + g t , i 2 − n i ) w t , i z_{t} += g_{t,i} + \frac{1}{\alpha} \left( \sqrt{n_{i} + g_{t,i}^{2}} -\sqrt{ n_{i} } \right) w_{t,i} zt+=gt,i+α1(ni+gt,i2−ni)wt,i
n i + = g t , i 2 n_{i} += g_{t,i}^{2} ni+=gt,i2
更新
w t + 1 , i = { 0 ∣ z t , i ∣ < λ 1 − η t ( z t , i − s g n ( z t , i ) λ 1 ) ) o t h e r w i s e w_{t+1,i} = \left\{ \begin{array}{ll} 0 & |z_{t,i}| < \lambda_{1} \\\newline -\eta_{t}(z_{t,i} - sgn(z_{t,i})\lambda_{1}) ) & otherwise \end{array} \right. wt+1,i={0−ηt(zt,i−sgn(zt,i)λ1))∣zt,i∣<λ1otherwise
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:
算法 | AUC | 模型参数个数 |
---|---|---|
FTRL | 0.8432 | 200W |
BPR | 0.8441 | 1500W |
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.