CTR预估之DNN系列模型:FNN/PNN/DeepCrossing

前言

在上一篇文章中 CTR预估之FMs系列模型:FM/FFM/FwFM/FEFM，介绍了FMs系列模型的发展过程，开启了CTR预估系列篇章的学习。FMs模型是由线性项和二阶交互特征组成，虽然有自动学习二阶特征组合的能力，一定程度上避免了人工组合特征的问题，但却缺少高阶的特征组合，这篇文章的主题则是介绍deep neural networks (DNNs)下的ctr模型，能够自动学习高阶特征组合模式。如下图为最基础的DNN框架。

（本文模型代码：GitHub）

FNN

论文：Deep Learning over Multi-field Categorical Data: A Case Study on User Response Prediction

地址：https://arxiv.org/pdf/1601.02376.pdf

论文指出对于特征交互的自动学习，FMs模型是通过内积的方法，Gradient boosting trees则是通过生成树的方式。这些模型无法用到所有的特征组合可能，并且许多模型特征工程是人工设计，还有另外的问题是大部分ctr模型是浅层的结构，大部分是显式的学习模式，限制了隐式模式的建模能力，影响了模型的泛化能力，由此，论文提出了Factorisation-machine supported Neural Networks（FNN）模型。

模型结构

FNN的结构如上图所示，首先老生常谈地介绍下one-hot编码用于类别特征输入，对于每个field，会有多个单位(units)，对应该filed的每种具体的取值feature，并且只会存在一个正单位(positive unit)赋值为1，其他都为负的，赋值为0，比如city=Landon，见上图中Sparse Binary Features（x）。下面我们从上往下一步步进行拆解学习FNN模型。

1. 最顶层是模型的输出。 预测的点击率 $\hat{y}\in (0,1)$。例如在特定的上下文场景下，特定的点击一个广告的概率：

​ $$\hat{y}=sigmoid(W_3{l}_2+b_3)$$

​ 其中$sigmoid(x)=1/(1+e^{-x})$，$W_3\in {\mathbb{R}}^{1\times L}，b_3\in \mathbb{R}，l_2\in {\mathbb{R}}^L。l_2$便是该层网络的输入

2. 第2层隐藏层$l_2$的计算。 $l_2=tanh(W_2{l}_1+b_2)$

​ 其中，$tanh(x)=(1-e^{-2x})/(1+e^{-2x})，W_2\in {\mathbb{R}}^{L\times M}，b_2\in {\mathbb{R}}^L，l_1\in {\mathbb{R}}^M$。论文实验$tanh(\cdot )$比其他的激活函数表现更好。

3. 第1层隐藏层$l_1$的计算。 $l_1=tanh(W_{1}z+b_1)$

​ 其中，$W_1\in {\mathbb{R}}^{M\times J}，b_1\in {\mathbb{R}}^M，z\in {\mathbb{R}}^J$。

4. Dense Real Layer(z)。 $z=(w_0,z_1,z_2,...,z_i,...,z_n)$

​ 其中，$w_0$是一个全局标量参数，n是fields的数目。$z_i\in {\mathbb{R}}^{K+1}$

5. Initialised by FM’s Weights and Vectors。 $z_i=W_0^i\cdot x[star{t}_i:en{d}_i]=(w_i,v_i^1,v_i^2,...,v_i^K)$

​ 其中，$star{t}_i和en{d}_i$是第i个field的feature索引起点和终点，$W_0^i\in {\mathbb{R}}^{(K+1)\times (en{d}_i-star{t}_i+1)}$。即**$z_i$由一个偏置项$w_i$和向量$v_i$组成，分别对应FMs中第i个filed的权重和对应取值feature的隐向量embedding，是由经过预训练的FMs模型加载初始化${}^{[1]}$，使用了公开数据集进行训练得到泛化性的FMs向量embeddings。**

6. pre-training。 除了上述提到Dense Real Layer的参数z是由FMs预训练得到，FNN模型上层网络的参数也是使用contrastive divergence${}^{[2]}$进行RBM(restricted Boltzmann machine)预训练${}^{[3]}$，细节详见${}^{[4,5]}$。

7. ctr微调。 使用交叉熵进行最小化训练：$L(y,\hat{y})=-ylog(\hat{y})-(1-y)log(1-\hat{y})$，y为真实标签0/1，代表是否点击。

总体来看，FNN其实是一个最基础的通用CTR深度神经网络框架，one-hot编码的输入，经过embedding layer层（特征embedding类似于上图[FNN结构]FMs的权重+向量），然后通过多个DNN全连接层，最后通过sigmoid函数得到预测的点击概率。

SNN

论文还提出了另外一个模型Sampling-based Neural Networks（SNN），与FNN的不同之处只是底层网络的结构和训练方法不同。SNN的底层网络是一个带sigmoid激活函数的全连接网络，而不是从FMs加载的向量：

为了初始化这部分的权重参数，论文使用了restricted Boltzmann machine (RBM) ${}^{[6]}$和denoising auto-encoder (DAE)${}^{[7]}$两种预训练方法，这里的RBM训练方法与上述FNN中的一样是使用contrastive divergence，而DAE则是使用非监督的SGD方法，如下图：

其实RBM和DAE的训练思路大致都是通过投影(Projection) ->重构来学习参数，训练目标是让重构前后的向量空间尽量靠近。

这里再来理解下论文提出的采样(sampling-based)预训练方法：

• 对于每个训练实例中的每个field，比如city，只会存在一个正值的feature，比如city=London；
• 此时，不是对整个特征集进行建模，而是随机采样m个非正值feature(negative units)并将它们置为0，比如当m=1时，采样了city=Paris这个negative units，这些正值feature和negative units的feature则分别对应上图[SNN结构及预训练]-(b)和©中的白色单元1和0；
• 而其他未被采样到的negative units则会忽略，不作为输入，对应其中的黑色单元。

L2正则化

实验使用了 iPinYou数据集，第一列为广告主的数量。

论文中提及的参考文献：

1. Rendle, S.: Factorization machines with libfm. ACM TIST 3(3), 57 (2012)
2. Hinton, G.E.: Training products of experts by minimizing contrastive divergence. Neural computation 14(8), 1771–1800 (2002)
3. Bengio, Y., Lamblin, P., Popovici, D., Larochelle, H., et al.: Greedy layer-wise training of deep networks. NIPS 19, 153 (2007)
4. Hinton, G.: A practical guide to training restricted boltzmann machines. Momentum 9(1), 926 (2010)
5. Hinton, G.E., Salakhutdinov, R.R.: Reducing the dimensionality of data with neural networks. Science 313(5786), 504–507 (2006)
6. Hinton, G.: A practical guide to training restricted boltzmann machines. Momentum 9(1), 926 (2010)
7. Bengio, Y., Yao, L., Alain, G., Vincent, P.: Generalized denoising auto-encoders as generative models. In: NIPS. pp. 899–907 (2013)

PNN

论文：Product-based Neural Networks for User Response Prediction

地址：https://arxiv.org/pdf/1611.00144.pdf

论文认为FNN中embeddings初始化的质量存在很大局限，大大取决于FMs模型。更重要的是，FNN中的feature embeddings到MLP全连接层是“加法”(add)操作，在这种multi-fields的类别数据上交互效果可能不如“乘积”(product)操作，提出了Product-based Neural Network(PNN)：

• embeddings的初始化不通过FMs预训练；
• 特征向量使用product layer来对特征交互进行建模；
• 通过全连接MLPs更深入的提炼高阶特征模式

模型结构

PNN模型的结构如上图，其中Hidden Layer1-Fully Connected -> Hidden Layer2-Fully Connected -> CTR这三个部分与FNN模型基本上是相同，就是普通的全连接网络层，唯一不同的是隐藏层1和2使用的relu激活函数，而不是tanh：

而于FNN模型的最大区别，也是PNN模型的创新之处就在于Hidden Layer1的输入是由product layer的乘积操作得到：$l_1=relu(l_z+l_p+b_1)$。

首先，定义内积（tensor inner product）公式，并得到$l_z、l_p$：

其中$W_z^n,W_p^n$是product layer的权重，维度自然分别于z和p相同；$D_1$为第一层隐藏层的维度。

$f_i\in {\mathbb{R}}^M$是第i个field的embedding vector：$f_i=W_0^{i}x[star{t}_i:en{d}_i]$，即对应取值的feature的向量，这里与FNN模型是一样的，只是没有加入第i个field的权重。

$p_{i,j}=g(f_i,f_j)$，论文设计了两种不同的操作g，对应两种PNN变体：IPNN和OPNN。

IPNN

首先介绍第一种： Inner Product-based Neural Network（IPNN），这里的向量内积操作为：$p_{i,j}=g(f_i,f_i)=<f_i,f_j>，p\in {\mathbb{R}}^{N\times N}$，那么可以得到$l_p^n$，并且对上述$l_z^n,l_p^n$的式子进行展开：

$l_z^n=W_z^n\odot z={\sum }_1^N{\sum }_1^M(W_z^n{)}_{i,j}{z}_{i,j}$

$$l_p^n=W_p^n\odot p=\sum _1^N\sum _1^N(W_p^n{)}_{i,j}{p}_{i,j}$$

可以算出$l_1$的空间复杂度为$O(D_{1}N(M+N))$，时间复杂度为$O(N^2(D_1+M))$，$D_1$是Hidden Layer1的输入的size，M是embeddings的size，都属于模型的超参数，N则是field的数量。

一阶分解。 受到FM的启发，论文使用矩阵因子分解的方法，令$W_p^n={\theta }^n{\theta }^{nT}，\theta \in {\mathbb{R}}^N$，将$l_1$的计算简化为如下：其中，${\delta }_i^n\in {\mathbb{R}}^M$代表特征向量乘上一个权重：${\delta }_i^n={\theta }_i^n{f}_i，{\delta }^n=({\delta }_1^n,{\delta }_2^n,...,{\delta }_i^n,...,{\delta }_N^n)\in {\mathbb{R}}^{N\times M}$。

随着第n个node的一阶分解，$l_p$最终的公式如下，空间和时间复杂度 都降到了$O(D_{1}MN)$：

K阶分解。 更普遍的分解方法，即K阶分解，如下式：

其中，${\delta }_n^i\in {\mathbb{R}}^K$，K阶分解表现更好，但也会带来K倍的计算度。

OPNN

第二种则为Outer Product-based Neural Network（OPNN），与IPNN唯一不同的只是p的内积方式，OPNN使用的内积操作是：$g(f_i,f_i)=f_i{f}_j^T$，因此对于p的每个元素是一个矩阵：$p_{i,j}\in {\mathbb{R}}^{M\times M}$。$l_1$的时间复杂度和空间复杂度都变为了$O(D_1{M}^2{N}^2)$。

为了降低复杂度，论文使用了superposition（叠加）的方法，重新定义了p的计算：

通过简化p的计算$p\in {\mathbb{R}}^{M\times M}$，对应的$W_p\in {\mathbb{R}}^{D_1\times M\times M}$，$l_1$的空间和时间复杂度都降低为$O(D_{1}M(M+N))$

KPNN & PIN

论文：Product-based Neural Networks for User Response Prediction over Multi-field Categorical Data

地址：https://arxiv.org/pdf/1807.00311.pdf

原团队作者在后来又发表了一篇PNN的论文，去掉了上述针对复杂度的公式优化，使用FMs的特征对交互操作，提出了不同框架形式的PNN，包括下图中的三种PNN：

并且统一了PNN的一般框架，由特征向量(embeddings)、特征向量的交互(product)、embeddings和product拼接后输入DNN：

再结合上图[新PNN结构图]和图[PNN组合]，可以看出，新提出的PNN其实就是使用不同的feature extractors，即使用不同的特征向量交互（product）操作。

Inner Product-based Neural Network(IPNN). 这里的product操作其实就完全跟FMs模型一样，使用内积的操作。

Kernel Product-based Neural Network(KPNN). KPNN使用的product操作则包括两种：FFM、FM的扩展-FM+linear kernel。

Product-network In Network (PIN). PIN使用的product操作则是FM的另外一种扩展形式：FM+micro network kernel。

实验结果

• IPNN和OPNN与FM对比效果更优，且收敛更快；
• 使用IPNN和OPNN拼接的product layer，相比单独的product layer效果反而下降。

KPNN和PIN的效果对比如下图：

Deep Crossing

论文：Deep Crossing - Web-Scale Modeling without Manually Crafted Combinatorial Features

地址：https://www.kdd.org/kdd2016/papers/files/adf0975-shanA.pdf

虽然这篇论文是在解决用户在搜索场景下的广告点击问题，但其实这本质还是与推荐系统的ctr任务一样的，item对应广告。论文尝试使用残差网络来替代普通的DNN网络，其他与基础的ctr-DNN框架基本一致，Deep Crossing的网络框架如下图：

Embedding and Stacking Layers

• 首先，还是常规的特征进行one-hot编码，然后进行embeddings映射，以此来大大减少one-hot向量的维度。不过论文对embeddings加入了bias，并且使用了非线性变换ReLU；
• 接着不同输入的embeddings进行拼接，即stacked (concatenated)

Residual Layers

残差网络的优点在于能够缓解梯度消失，可以使用更深的网络层数，建模更高阶的特征，增强模型的表达能力。

总结

本文介绍的三种ctr模型框架的出发点都是为了解决人工构造组合特征的问题，并且希望加入深层网络（DNN）来隐式挖掘高阶特征：

• PNN与基础的DNN网络框架一致，只是embeddings是从FM模型预训练进行加载；
• FNN则是保留特征product这样的显式建模，与embeddings拼接输入到DNN，并且提出多种product操作；
• Deep Crossing则是用残差网络来代替DNN。

代码实现：GitHub仓库