CTR预估特征工程

最新推荐文章于 2024-07-07 21:36:32 发布

飞虹舞毓

最新推荐文章于 2024-07-07 21:36:32 发布

阅读量6.2k

点赞数

分类专栏：项目文章标签：特征工程 CTR预估

本文链接：https://blog.csdn.net/supinyu/article/details/52351465

版权

项目专栏收录该内容

3 篇文章 0 订阅

订阅专栏

特征工程

特征工程

项目数据格式

这里写图片描述

CTR预估的流程

数据—>预处理—>特征提取—>模型训练—>后处理

模型和特征的关系

一句话概括这个问题，特征决定了上界，而模型决定了接近上界的程度。

数据预处理

首先要进行的是label匹配，由于我们拿到的数据为展示日志和点击日志，我们需要做的是将拿到的数据进行join操作，数据join完成之后我们，得到我们想要的训练数据。数据的预处理主要就是信息的组合，将其他文件的相关信息，组合到一个文件中，形成我们的训练数据。join的代码如下

#! /bin/bash
sort -t $'\t' -k "$2,$2" $1 >t1
sort -t $'\t' -k "$4,$4" $3 >t2
join -t $'\t' -1 $2 -2 $4 t1 t2 -a 1 | awk -v n=$2 '{
    s=$2;
    for(i=3;i<n+1;i++){
        s=s"\t"$i
    }
    s=s"\t"$1
    for(i=n+1;i<=NF;i++){
        s=s"\t"$i  
    }
    print s 
}'
rm -f t1 t2

如果数据较多，我们一般对数据进行负采样。负采样就是采集label为0的日志，保留正样本，如果样本数量不均衡，处理方法有，保留所有正样本，同时向下负采样，或者保留所有正样本且复制多次，同时向下负采样，使得比例大约为1：10左右。

数据特征

这里的特征一般都三类，用户特征，广告特征和上下文特征

标题	特征
用户特征	userid、gender、age
广告特征	adid、titleid、advertedierid、keywordid、decription
上下文特征	depth、position

以上的这些特征按照，不同的能力，还可以有不同的划分方法，High Level特征和Low Level特征。
High Level特征：指的是泛化能力比较强的特征
Low Level特征：指的是子解释性比较强的特征
具体的关系如下图所示：

这里写图片描述

这里的特征还可以按照刻画能力和覆盖度进行划分

这里写图片描述

当然，我们最想要的就是在第一象限的完美特征，但是这种特征一般比较少，二三象限的特征比较多，而第四象限的特征的影响就比较微弱了。

数据特征处理方法

One Hot Encoding

One-Hot编码，又称为一位有效编码，主要是采用位状态寄存器来对个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。在实际的机器学习的应用任务中，特征有时候并不总是连续值，有可能是一些分类值，如性别可分为“male”和“female”。在机器学习任务中，对于这样的特征，通常我们需要对其进行特征数字化，举例说明，我们有如下属性：
性别：[“male”，”female”]
广告id：[11，22，33，44，55，66]
位置：[1，2，3，4，5，6]
对以一个样本[“feamle”,44,4]，可以采用序列化的方式[1，3，3]，但是这样不能直接在算法中使用。
One Hot Encoding的编码思想是，”female”对应[0,1]，广告id44对应的是[0,0,0,1,0,0]，位置4对应的是[0,0,0,1,0,0]，则完整的特征数字化的结果为：
[0,1,0,0,0,1,0,0,0,0,0,1,0,0]
具体的代码实现，有两种方法，一种是通过加入前缀，形成唯一的编号，一种是通过Hash函数的方法，虽然Hash函数的方法，在数据量比较大的时候会有一些冲突，但是这对最后的影响结果不是很大。
加入前缀的特征处理

def processIdFeature(prefix,id):
    global feature_map
    global feature_index
    str = prefix + "_" + id
    if str in feature_map:
        return feature_map[str]
    else:
        feature_index = feature_index + 1
        feature_map[str] = feature_index
    return feature_index

Hash函数的方法

def hashFeature(prefix,id):
    str = prefix + "_" + id
    return hash(str) % HASH_SIZE

离散化

为什么要使用离散化的方法？
假设特征在[0,1]之间，预测是有非线性关系 $y=(x-0.5)^2$ ，线性模型： $y=wx$ 进行拟合，效果会怎么样呢？效果应该不会太好，如果我们将 $x$ 划分为若干段，比如： $x_1,x_2...x_n$ ，我每一段每一段的去拟合，这样的效果肯定会比线性模型要好一些。