相信大家都在淘宝购买过相关的商品。比如某一天用户购买了一台台式主机后，淘宝会立刻给该用户推送与电脑相关的商品，例如电脑显示屏，键盘和鼠标等等。这些推荐的物品完全是淘宝根据大量的点击数据去学习到的。
比如，在100个人中，有99个人在买了电脑之后，还会去购买鼠标，键盘，无线网卡等等。也就是说，用户最近是否买了电脑是一个非常强的信号，暗示着如果用户最近买了电脑，那么用户再次购买电脑显示屏，键盘等物品时的概率非常高，那么这个时候推荐系统及时的去推荐这些物品给用户，用户可能很可能会购买这些物品，这些商铺也能提高自身的销量。因此，可以通过特征工程生成很多个这样强关联的信号，提升推荐系统的性能。
除了电商领域，推荐系统还广泛的应用在电影推荐，兴趣推荐等等。相信最近大家都看过大火的<隐秘的角落>，可以堪称是今年最好看的国产剧。在豆瓣上的评分如下：

看完这部剧之后，还觉得不过瘾怎么办？往下翻，你就会惊喜的发现一系列的推荐：

是不是感觉推荐的电影都很符合自己的口味？ <隐秘的角落>属于悬疑类的连续剧，而下面推荐的相关剧集也大多属于这个风格。
这个例子也同样引出了推荐系统中一个重要的分支——协同过滤
它主要可以分为基于用户的，基于物品的和基于模型的协同过滤算法。基于用户的协同过滤算法的核心思想是：给当前用户推荐相似的用户看过的物品。

例如，用户A看过了<白夜追凶>和<无证之罪>，而资深悬疑剧爱好者不仅看过这两部剧，还看过了<非自然死亡>和<我们与恶的距离>。那么根据一定的相似度算法，在所有的用户中找到和用户A最相似的用户，比如我们找到了用户B，将用户B看过的另外两部剧推荐给了用户A，这样一次推荐过程就完成了。

推荐系统的另一个典型场景是广告点击率预估。在我们浏览手机的应用商店时，经常可以看到商店会给我们推荐某些应用，某些推荐的应用往往是广告主通过付费来进行推广。
为了提高广告投放的准确度，广告点击率预估模型需要评价用户点击某些应用的概率，将用户最可能点击的应用进行推送，达到准确的投放广告的目的。一旦我们点击了其中的一个应用，商店就可以成功的向广告投放商进行收费，而广告主们也达到了应用推广的目的。

除了上述领域，推荐系统还广泛的应用在生活中的方方面面，可以说是机器学习在工业界中最成功的落地场景之一了。美国著名的电影和电视节目提供商Netflix曾经发起了奖金为百万美元的推荐系统比赛，旨在提升推荐系统的准确度。在广告点击率预估的场景，性能提高了1%的模型往往可以为公司带来巨大的收入。

传统的推荐系统以协同过滤为代表，而随着深度学习的快速发展，越来越多的研究者尝试应用深度学习技术到推荐系统中。在此我们主要介绍其中的Wide&Deep网络。

总体流程

在此我们以APP商店中的推荐系统为例，其整体流程可以如下图所示

推荐系统流程图

给定一个查询，这个查询可能是用户相关的特征，推荐系统首先会从数据库中检索到查询相关的APP，由于APP的数量非常巨大，因此我们可以取最相关的100个检索结果作为候选APP，这一过程通常叫作粗排。

然后将候选的100个APP送入排序模型中，此处的排序模型就是我们下面将要介绍的 Wide&Deep模型，这一过程也被叫作精排。

排序完成后，我们可以将点击概率最高的APP放置于用户最容易注意到的地方。无论用户是否点击了我们的推荐结果，我们都可以构造一个新的日志文件。在累积了一定数量的日志文件后，就可以继续微调排序模型，提高模型的准确程度。

Wide&Deep模型自从被提出后就引起来非常大的关注。正如其名，此模型主要可以分成两个部分，Wide部分和Deep部分。

Wide模型

Wide部分就是一个线性网络，和我们在初中学的多元线性方程是一样的，只不过其中的参数求解采用梯度下降的方式。例如下式
y=wx

它的设计目的是为了记住数据中特定的特征组合方式。例如前面介绍购买电脑的场景，购买了电脑主机的用户，再次购买显示器，键盘等物件的概率特别高。因此可以将用户最近是否购买了电脑作为输入模型的输入，也就是特征。

假设当前wide网络只有一个特征，当该特征取1时，y=wx可以得到y=0.9(假设w的值是0.9)，当该特征取0时，y=0。 y输出值越大，会增大模型对应用户点击概率的估计。

回到我们APP应用推荐的场景中，可以看到图右侧的Cross Product Transformation，就是我们的wide部分的输入。 Cross Product Transformation是指特征交叉，即将User Installed App和Impression APP进行组合。

例如用户手机已经安装了微信，且当前的待估计的APP为QQ，那么这个组合特征就是(User Installed App=’微信’, Impression APP=’QQ’)。

Deep模型

介绍完Wide部分，我们重新回来再看下Deep部分。 Deep部分的设计是为了模型具有较好的泛化能力，在输入的数据没有在训练集中出现时，它依然能够保持相关性较好的输出。

在下图中， Deep模型输入都是一些含义不是非常明显的特征，例如设备类型，用户统计数据等类别特征(Categorical Features)。类别特征一般属于高维特征。

例如手机的种类可能存在成千上万个，因此我们通常把这些类别特征通过嵌入(Embedding) 的方式，映射成低维空间的参数向量。这个向量可以被认为表示了原先这个类别特征的信息。对于连续特征，其数值本身就具备一定的含义，因此可以直接将和其他嵌入向量进行拼接。

2Wide&Deep模型图

在拼接完成后，可以得到大致为1200维度的向量。将其作为三层全连接层网络的输入，并且选择Relu作为激活函数，其中每层的输出维度分别为[1024, 512, 256]。

在广告点击率预估的场景中，模型的输出是一个0~1之间的值，表示当前候选APP被点击的概率。因此可以采用逻辑回归函数，将Wide&Deep部分的输出压缩到0~1在之间。

首先， Deep部分的输出是一个256维度的向量，可以通过一个线性变换将其映射为维度为1的值，然后和Wide部分的输出进行求和，将求和后的结果输入到逻辑回归函数中。

在介绍完模型之后，现在开始动手实践了，由于谷歌公司并没有将其在论文中使用的APP商店数据集进行公开，因此我们现在采用Criteo公司发布在Kaggle的广告点击率预估数据集Criteo 。

对应的Mindpsore代码可以在此处找到： https://gitee.com/mindspore/mindspore/tree/master/model_zoo/wide_and_deep 其中包含了模型的定义、训练以及数据的预处理过程。

在模型定义前，我们需要对数据进行预处理。数据处理的目的是将数据集中的特征取值映射为数值id，并且去除一些出现次数过少的特征值，避免特征值出现次数过少，导致当特征值对应的参数向量的更新次数过少，影响模型的精度。 Criteo数据集由13类连续特征和26列类别特征，已经通过哈希方式映射为了32位数值。对应的标签(label)的取值为0和1。

数据处理的核心思路如下图所示，针对类别特征，建立一个词表，里面记录着每次出现的特征取值的编号。然后再遍历每一列的特征取值，将原始的特征值根据词表映射为对应的id。

还记得之前提到过的低维嵌入过程吗？映射操作是为了模型中的嵌入向量查找而准备的。例如，输入数据中的A，B，C被映射为了0,1,2。而0,1,2分别表示在嵌入矩阵中(Embedding Table)的第0行，第1行和第2行。

将Criteo数据集下载后解压，可以看到train.txt和test.txt文件。查看train.txt中的文件，可以看到其中某些行存在缺失。

我们可以调用

model_zoo/wide_and_deep/src/preprocess_data.py

进行数据的下载和处理，对于缺失值，可以将其标记为OOV(Out Of Vocabulary)对应的id 。

介绍完数据处理后，我们在此开始定义模型。模型的核心代码在mindspore仓库下

model_zoo/wide_and_deep/src/wide_and_deep.py

在MindSpore中，网络的定义方式和Pytorch比较接近，先定义定义的操作，然后再construct函数中对调用对应的操作对输入进行处理。

首先我们再回忆下 Wide&Deep网络，它由一个Wide部分和Deep部分。其中 Wide部分是一个线性网络。

在实现上，我们将线性网络中的权重视为维度为1，通过嵌入矩阵查找的方式即可获得输入x对应的权重，然后将其和输入的mask相乘，将结果求和。

值得注意的是，我们将连续特征和类别特征进行等同处理，因此这里的mask是为了将连续特征和类别特征进行区而设计的。连续特征mask中的值即为连续特征值，类别特征mask中的值为1 。 Wide部分的核心代码如下所示，我们定义个名为self.wide_w的权重，它的形状为[词表大小,1]。

class WideDeepModel(nn.Cell):
    def __init__(self, config):
        super(WideDeepModel, self).__init__()
        …
        init_acts = [('Wide_w', [self.vocab_size, 1], self.emb_init),
                     ('V_l2', [self.vocab_size, self.emb_dim], self.emb_init),
                     ('Wide_b', [1], self.emb_init)]
        var_map = init_var_dict(self.init_args, init_acts)
        self.wide_w = var_map["Wide_w"]
        self.wide_b = var_map["Wide_b"]
        self.embeddinglookup = nn.EmbeddingLookup()
        self.mul = P.Mul()
        self.reduce_sum = P.ReduceSum(keep_dims=False)
        self.reshape = P.Reshape()
        self.square = P.Square()


    def construct(self, id_hldr, wt_hldr):
        mask = self.reshape(wt_hldr, (self.batch_size, self.field_size, 1))
        # Wide layer
        wide_id_weight = self.embeddinglookup(self.wide_w, id_hldr, 0)
        wx = self.mul(wide_id_weight, mask)
        wide_out = self.reshape(self.reduce_sum(wx, 1) + self.wide_b, (-1, 1))
        out = wide_out

现在我们开始定义Deep部分。 Deep部分同样有一个嵌入矩阵查找，以及5层的全连接层构成。

class WideDeepModel(nn.Cell):
    def __init__(self, config):
        super(WideDeepModel, self).__init__()
        …
        init_acts = [('Wide_w', [self.vocab_size, 1], self.emb_init),
                     ('V_l2', [self.vocab_size, self.emb_dim], self.emb_init),
                     ('Wide_b', [1], self.emb_init)]
        var_map = init_var_dict(self.init_args, init_acts)
        self.wide_w = var_map["Wide_w"]
        self.wide_b = var_map["Wide_b"]
        self.embedding_table = var_map["V_l2"]
        self.dense_layer_1 = DenseLayer(self.all_dim_list[0],
                                        self.all_dim_list[1],
                                        self.weight_bias_init,
                                        self.deep_layer_act,
                                        convert_dtype=True, drop_out=config.dropout_flag)
        self.dense_layer_2 = DenseLayer(self.all_dim_list[1],
                                        self.all_dim_list[2],
                                        self.weight_bias_init,
                                        self.deep_layer_act,
                                        convert_dtype=True, drop_out=config.dropout_flag)
        self.dense_layer_3 = DenseLayer(self.all_dim_list[2],
                                        self.all_dim_list[3],
                                        self.weight_bias_init,
                                        self.deep_layer_act,
                                        convert_dtype=True, drop_out=config.dropout_flag)
        self.dense_layer_4 = DenseLayer(self.all_dim_list[3],
                                        self.all_dim_list[4],
                                        self.weight_bias_init,
                                        self.deep_layer_act,
                                        convert_dtype=True, drop_out=config.dropout_flag)
        self.dense_layer_5 = DenseLayer(self.all_dim_list[4],
                                        self.all_dim_list[5],
                                        self.weight_bias_init,
                                        self.deep_layer_act,
                                        use_activation=False, convert_dtype=True, drop_out=config.dropout_flag)


        self.embeddinglookup = nn.EmbeddingLookup()
        self.mul = P.Mul()
        self.reduce_sum = P.ReduceSum(keep_dims=False)
        self.reshape = P.Reshape()
        self.square = P.Square()
        self.shape = P.Shape()
        self.tile = P.Tile()
        self.concat = P.Concat(axis=1)
        self.cast = P.Cast()


    def construct(self, id_hldr, wt_hldr):
        """
        Args:
            id_hldr: batch ids;
            wt_hldr: batch weights;
        """
        mask = self.reshape(wt_hldr, (self.batch_size, self.field_size, 1))
        # Wide layer
        wide_id_weight = self.embeddinglookup(self.wide_w, id_hldr, 0)
        wx = self.mul(wide_id_weight, mask)
        wide_out = self.reshape(self.reduce_sum(wx, 1) + self.wide_b, (-1, 1))
        # Deep layer
        deep_id_embs = self.embeddinglookup(self.embedding_table, id_hldr, 0)
        vx = self.mul(deep_id_embs, mask)
        deep_in = self.reshape(vx, (-1, self.field_size * self.emb_dim))
        deep_in = self.dense_layer_1(deep_in)
        deep_in = self.dense_layer_2(deep_in)
        deep_in = self.dense_layer_3(deep_in)
        deep_in = self.dense_layer_4(deep_in)
        deep_out = self.dense_layer_5(deep_in)
        out = wide_out + deep_out
        return out, self.embedding_table

我们采用交叉熵作为损失函数，Wide部分采用FTRL作为优化器。 FTRL可以产生较好的稀疏权重，可以帮助筛选有价值的特征，并且可以压缩模型权重。 Deep采用Adam优化器。

在train_and_eval.py中的定义了数据，模型的初始化以及训练过程，在定义完模型中，可以将初始化的网络送入Model类中，这个类和Tensorflow中Estimator比较接近，可以通过简单的接口实现网络的训练(model.train)和评估(model.eval)。

model_zoo/wide_and_deep/train_and_eval.py

另外，此函数中定义了一些回调函数 https://www.mindspore.cn/tutorial/-zhCN/master/advanced_use/customized_debugging_information.html 可以打印损失值等相关信息。

def test_train_eval(config):
    """
    test_train_eval
    """
    data_path = config.data_path
    batch_size = config.batch_size
    epochs = config.epochs
    ds_train = create_dataset(data_path, train_mode=True, epochs=epochs, batch_size=batch_size)
    ds_eval = create_dataset(data_path, train_mode=False, epochs=epochs + 1, batch_size=batch_size)
    print("ds_train.size: {}".format(ds_train.get_dataset_size()))
    print("ds_eval.size: {}".format(ds_eval.get_dataset_size()))


    net_builder = ModelBuilder()


    train_net, eval_net = net_builder.get_net(config)
    train_net.set_train()
    auc_metric = AUCMetric()


    model = Model(train_net, eval_network=eval_net, metrics={"auc": auc_metric})


    eval_callback = EvalCallBack(model, ds_eval, auc_metric, config)


    callback = LossCallBack(config=config)
    ckptconfig = CheckpointConfig(save_checkpoint_steps=ds_train.get_dataset_size(), keep_checkpoint_max=5)
    ckpoint_cb = ModelCheckpoint(prefix='widedeep_train', directory=config.ckpt_path, config=ckptconfig)


    out = model.eval(ds_eval)
    print("=====" * 5 + "model.eval() initialized: {}".format(out))
    model.train(epochs, ds_train,
                callbacks=[TimeMonitor(ds_train.get_dataset_size()), eval_callback, callback, ckpoint_cb])

一旦训练完成后，就可以装载模型参数进行评估。评估网络和训练网络类似，只不过输出经过了一个Sigmoid层。

class PredictWithSigmoid(nn.Cell):
    def __init__(self, network):
        super(PredictWithSigmoid, self).__init__()
        self.network = network
        self.sigmoid = P.Sigmoid()


    def construct(self, batch_ids, batch_wts, labels):
        logits, _, _, = self.network(batch_ids, batch_wts)
        pred_probs = self.sigmoid(logits)
        return logits, pred_probs, labels

采用AUC作为评价指标。 AUC广泛的应用在分类模型的评估中，可以较好的反映模型学习的好坏，其值在0~1之间，值越高，模型的性能越好。

本文内容介绍了推荐系统的原理和实践代码。首先讲述了推荐系统在我们生活中的应用场景，并且介绍了推荐系统的核心原理。然后详细介绍了Wide&Deep网络以及相关的代码实践，期望可以帮助大家入门

参考文献

[1] Cheng H T, Koc L, Harmsen J, et al. Wide & deep learning for recommender systems[C]//Proceedings of the 1st workshop on deep learning for recommender systems. 2016: 7-10.

[2]https://www.mindspore.cn/tutorial/-zhCN/master/advanced_use/customized_debugging_information.html

长按下方二维码关注↓

posted on 2020-07-23 15:12 MindSpore 阅读(800) 评论(0) 收藏举报

刷新页面返回顶部

导航

总体流程

Wide模型