智能推荐算法演变及学习笔记（三）：CTR预估模型综述

【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[握手][握手]

【再啰嗦一下】如果你对智能推荐感兴趣，欢迎先浏览我的另一篇随笔：智能推荐算法演变及学习笔记

【最后再说一下】本文只对智能推荐算法中的CTR预估模型演变进行具体介绍！

一、传统CTR预估模型演变

1. LR

即逻辑回归。LR模型先求得各特征的加权和，再添加sigmoid函数。

• 使用各特征的加权和，是为了考虑不同特征的重要程度
• 使用sigmoid函数，是为了将值映射到 [0, 1] 区间

LR模型的优点在于：

• 易于并行化、模型简单、训练开销小
• 可解释性强、可拓展性强

LR模型的缺点在于：

• 只使用单一特征，无法利用高维信息，表达能力有限
• 特征工程需要耗费大量的精力

2. POLY2

POLY2对所有特征进行“暴力”组合（即两两交叉），并对所有的特征组合赋予了权重。

一定程度上解决了LR缺乏特征组合的问题，但是“暴力行为”带来了一些问题：

• 特征维度爆炸，特征数据过于稀疏，特征权重不易收敛

3. FM

相比于POLY2，FM为每个特征学习了一个隐权重向量 w。在特征交叉时，使用两个特征隐向量w的内积作为交叉特征的权重。

将原先n^2级别的权重数量降低到n*k（k为隐向量w的维度，n>>k），极大降低了训练开销。

4. FFM

在FM模型基础上，FFM模型引入了Field-aware。在特征交叉时，使用特征在对方特征域上的隐向量内积作为交叉特征的权重。

FFM模型的权重数量共n*k*f个，计算复杂度上升到k*n^2，远远大于FM模型的k*n。

5. GBDT/xgboost/lightgbm

直接使用机器学习算法中的集成学习方法。

6. GBDT+LR/FM/FFM

利用GBDT自动进行特征筛选和组合，进而生成新的离散特征向量，再把该特征向量当作LR模型的输入。

7. MLR

在LR的基础上采用分而治之的思路，先对样本进行分片，再在样本分片中应用LR进行CTR预估。

 

以上1-7部分可以总结为传统的CTR预估模型演变，这里分享一下大佬的关系图谱：

二、引入深度学习的CTR预估模型演变

1. Deep Crossing

通过加入embedding层将稀疏特征转化为低维稠密特征，用stacking层连接分段的特征向量，再通过多层神经网络完成特征组合/转换。

跟经典DNN有所不同的是，Deep crossing采用的multilayer perceptron是由残差网络组成的。

2. FNN

相比于Deep Crossing，FNN使用FM的隐层向量作为user和item的Embedding，从而避免了完全从随机状态训练Embedding。

3. Wide & Deep

把单输入层的Wide部分和经过多层感知机的Deep部分连接起来，一起输入最终的输出层。

• wide部分：高维特征+特征组合的LR
• deep部分：deep learning

4. DeepFM

DeepFM对Wide & Deep的改进之处在于，用FM替换掉了原来的Wide部分，加强了浅层网络部分特征组合的能力。

5. Deep & Cross (DCN)

使用Cross网络替代了原来的Wide部分。Cross网络使用多层cross layer对输入向量进行特征交叉，增加特征之间的交互。

6. NFM

相对于DeepFM和DCN对于Wide&Deep Wide部分的改进，NFM可以看作是对Deep部分的改进。

NFM用一个带Bi-interaction Pooling层的DNN替换了FM的特征交叉部分。

 

7. Deep Interest Network (DIN)

在模型的embedding layer和concatenate layer之间加入了attention unit，使模型能够根据候选商品的不同，调整不同特征的权重。

以上1-7部分可以总结为引入深度学习的CTR预估模型演变，这里分享一下大佬的关系图谱：

三、深度学习推荐模型的上线问题

对于深度学习推荐模型的离线训练自然不是问题，一般可以采用比较成熟的离线并行训练环境。

对于深度学习推荐模型的上线问题，其线上时效性至关重要。

1. “特征实时性”

这里分享一下大佬画的智能推荐系统主流技术架构图，博主认知有限，就不展开介绍了。

2. “模型实时性”

与“特征实时性”相比，推荐系统模型的实时性往往是从更全局的角度考虑问题，博主认知有限，就不展开介绍了。

 

3. “服务实时性”：双塔模型

很多公司采用“复杂网络离线训练，生成embedding存入内存数据库，线上实现LR或浅层NN等轻量级模型拟合优化目标”的上线方式。

以百度的双塔模型举例说明：

（1）分别用复杂网络对“用户特征”和“广告特征”进行embedding，这就形成了两个独立的“塔”，因此称为双塔模型。

（2）在完成双塔模型的训练后，可以把最终的用户embedding和广告embedding存入内存数据库。

（3）线上推理时，只需要实现最后一层的逻辑，从内存数据库中取出用户/广告的embedding，通过简单计算即可得到预估结果。

最后感叹一句，深度学习CTR模型的发展实在是太迅速了，很多新模型就不继续介绍了，要保持学习啊！

 

【更新】介绍比较新的一些深度学习推荐模型改进方向：

• 引入用户行为序列建模（例如TDM/TransRec等）
  • 将用户历史行为看做一个无序集合，对所有embedding取sum、max和各种attention等
  • 将用户历史行为看做一个时间序列，采用RNN/LSTN/GRU等建模
  • 抽取/聚类出用户的多峰兴趣，方法有Capsule等（阿里MIND提出）
  • 根据业务场景的特殊需求，采用其他方法

• 引入NLP领域知识建模（例如Transformer/BERT等）
• 多目标优化/多任务学习（例如阿里ESMM/Google MMoE等）
• 多模态信息融合
• 长期/短期兴趣分离（例如SDM等）
• 结合深度强化学习（例如YouTube推荐/今日头条广告推荐DEAR等）
• 图神经网络的预训练（即引入迁移学习的思路）
• ......

 

本文参考了大佬的知乎专栏：https://zhuanlan.zhihu.com/p/51117616

如果你对智能推荐感兴趣，欢迎先浏览我的另一篇随笔：智能推荐算法演变及学习笔记

如果您对数据挖掘感兴趣，欢迎浏览我的另一篇博客：数据挖掘比赛/项目全流程介绍

如果您对人工智能算法感兴趣，欢迎浏览我的另一篇博客：人工智能新手入门学习路线和学习资源合集（含AI综述/python/机器学习/深度学习/tensorflow）

如果你是计算机专业的应届毕业生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的应届生，你如何准备求职面试？

如果你是计算机专业的本科生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的本科生，你可以选择学习什么？

如果你是计算机专业的研究生，欢迎浏览我的另外一篇博客：如果你是一个计算机领域的研究生，你可以选择学习什么？

如果你对金融科技感兴趣，欢迎浏览我的另一篇博客：如果你想了解金融科技，不妨先了解金融科技有哪些可能？

之后博主将持续分享各大算法的学习思路和学习笔记：hello world: 我的博客写作思路