出发点:
深度学习模型在一定程度上可以学习到row-based的特征变换,比如PNN、DCN、DeepFM等都可以建模特征的交叉组合操作。然而,其很难学习到column-based的特征变换,这是因为深度模型一次只能接受一个小批次的样本,无法建模到全局的统计聚合信息,而这些信息通常是十分重要的。因此即使是深度学习模型也是需要精做特征工程的。
特征放缩:
思考题1:如何量化短视频的流行度(假设以播放次数来衡量)?
短视频的播放次数在整个样本空间中服从幂律分布,即长尾分布,少量的热门视频播放次数会很高,大量的长尾视频播放次数都相对较少。这个时候最好采用Log-based变换,即先对播放次数取log,取完log之后的值做Z-score标准化处理,最终得到的值分布比较均匀。如果不做log变换直接用Z-score处理,会导致大部分特征值被压缩到一个非常窄的区域。
思考题2:如何量化商品“贵”或“便宜”的程度?
这里推荐的做法是做Z-score标准化。要注意的是Z-score的均值和标准差的计算都要限制在同类商品集合内,而不是对整个数据集,并且最好采用叶子类目,即最细一层的类目,但如果叶子类目的商品种类太少,回溯一层也是可以的。
思考题3:如何量化用户对新闻题材的偏好度(假设以阅读次数来衡量)?
建议对这种问题先按照用户分组,组内再做Min-max归一化。
Gauss Rank
最后介绍一下Gauss Rank,是推荐系统中效果比较好的一个特征变换操作。首先我们对数据的统计值做一个排序,从小到大或从大到小都可以,得到数据的Rank值,然后将Rank值缩放到(-1,1)区间,最后调用erfinv逆误差函数,就可以将变换后的Rank值分布调整为高斯分布。深度学习模型偏好高斯分布的数据输入,这也是为什么深度学习中经常使用的一个操作是Batch Normalization。
分箱
推荐场景下,用户的统计特征需要先按照用户分组后再做分箱,不建议全局做分箱。
特征处理+分箱+统计特征