Ad Click Prediction: a View from the Trenches (2013)论文阅读

文章链接：

https://static.googleusercontent.com/media/research.google.com/zh-CN//pubs/archive/41159.pdf

补充：https://courses.cs.washington.edu/courses/cse599s/14sp/scribes/lecture20/lecture20_draft.pdf

 

• abstract

　　FTRL-proximal在线学习算法得到的模型更稀疏、收敛性质更佳，使用各坐标单独的学习率。

 

• introduction

　　扩展性问题

　　省内存、效果分析、置信度预估、校准、特征管理

 

• brief system overview

　　revenue = bid price * ctr

　　目标：预估ctr = P(click | q,a)

　　特征：query，ad creative text，ad metadata等

　　方法：regularized logistic regression（正则化逻辑回归，rLR）

　　平台：Photon（谷歌流式特征平台）

　　训练方式：DistBelief（谷歌训练平台），Downpour SGD

　　重点考虑：稀疏性、线上预估阶段延时

 

• online learning and sparsity

　　对于大规模在线学习，以LR为例的广义线性模型（generalized linear models）很有优势。十亿维特征，非零值只有几百维，每个样本只读一遍。

　　LogLoss（logistic loss）：

　　梯度：

　　OGD（online gradient descent）适合此类问题，但难得到稀疏解。直接在loss上加L1惩罚不能得到稀疏解（？）

　　FOBOS和truncated gradient可得到稀疏解，RDA进一步平衡正确率和稀疏性。为了同时拥有RDA的稀疏性（sparsity）和OGD正确性（accuracy）提升，提出FTRL-Proximal。可简单理解为OGD上增加正则项，但是由于各维度独立更新参数w，因此方便引入L1正则。

 

　　

　　

　　lambda_1 = 0时两者得到相同参数向量序列，但FTRL-Proximal使用lambda_1 > 0很好地得到稀疏解。

　　迭代中每维只需要存一个值，更新w方式：

 　　

 

　　因此对比OGD保留w，FTRL-Proximal内存中只保留z。算法1额外增加了逐维学习率调整，并支持L2正则，存储-eta_t*z_t而非z_t

　　

 

　　—— experimental results

　　FTRL-Proximal with L1显著优于RDA和FOBOS，并且很好平衡accuracy和model size。

　　每维参数不为零要求至少见过k次特征数值。

 

　　—— per-coordinate learning rates

　　逐维设定学习率显著提升效果（高频特征学习率低）：

　　

　　alpha最优值和数据有关，beta取1足够好。效果相对全局唯一学习率AucLoss下降11.2%。

 

• saving memory at massive scale

　　包括相似item分组，randomized rounding，L1正则。

 

　　—— Probabilistic Feature Inclusion

　　有些模型情形，十亿级别样本中，一半特征数值只出现一次。

　　1）Poisson Inclusion：以概率p添加特征

　　2）Bloom Filter Inclusion：Counting Bloom Filter，设定阈值n

　　

　　两种方法都不错，BF方式有更好的均衡性（RAM saving和loss）

 　　

 

　　—— encoding values with fewer bits

　　【TODO】（没有效果损失）

　　

 

　　—— training many similar models

　　【TODO】

 

　　—— a single value structure

　　【TODO】

 

　　—— computing learning rates with counts

　　【TODO】

 

　　—— subsampling training data

　　1）保留至少点击一个ad的query

　　2）按概率r采样无点击ad的query

　　采样query是合理的，因为包含通用特征query phrase。但是要纠偏，对于每个样本计算loss（梯度同理）提权：

　　

　　得到相同的期望loss。试验显示激进的下采样对accuracy影响甚微。

 

• evaluating model performance

　　AucLoss = 1 - AUC，LogLoss，SquaredError

 

　　—— progressive validation

　　计算评估度量（metrics）在country、query topic、layout等维度

　　只在最近的数据上度量

　　绝对度量是有误导性的。输出不点击可以预估为接近50%，可以预估为2%。明显2%更好，所以需要LogLoss这种度量。而且需要在country、query等细分维度做度量。

　　相对度量也有必要：对比基线（baseline）的相对数值。

 

　　—— deep understanding through visualization

　　大致是可视化细分维度的各种指标

 

　　—— confidence estimates

　　accuracy的预期，用作给explore/exploit算法做参考。本文提出uncertainty score。核心思想是每维保存一个uncertainty counters n_{t,i}，用来做学习率调整。大的n_i得到一个小的学习率，因为参数很可能足够精确了。

　　LogLoss的梯度叫log-odds score = (p_t - y_t)，绝对值<=1。假设特征向量长度x_{t,i}<=1，我们能做到根据一个样本(x,y)来预测log-odds。做简化lambda_1 = lambda_2 = 0，如此FTRL-Proximal等效于OGD。

　　令，结合：

　　

　　

　　—— calibrating predictions

　　增加校准层（calibration layer）将预估ctr调整到观测ctr。

　　拟合校准函数，p是预估ctr。用Poisson regression在额外的数据上拟合。也可以用单调递增的分段线性函数（折线）或者分段常数函数拟合。比如用isotonic regression（加权最小二乘法拟合）。相对而言分段线性函数能对高和低的边界区域有效纠偏。

　　但是没有有效的理论保证校准有效。

 

• automated feature management

　　将特征空间组织成各种信号（signals），比如ad words、country，能转换为实数特征。为了管理signals和models，做了metadata index。

 

• unsuccessful experiments

　　—— aggressive feature hashing

　　一些文献声称的feature hashing（用作省内存）的方式在试验中无效。因此保存可解释（即non-hashed）的特征数值向量。

 

　　—— dropout

　　对特征采样的尝试往往是负向的

 

　　—— feature bagging

　　k overlapping subsets of feature space做bagging，结论是大概0.1%-0.6%负向。

 

　　—— feature vector normalization

　　往往负向。

 

转载于:https://www.cnblogs.com/yaoyaohust/p/10733050.html