為什么要用深度學習來做個性化推薦 CTR 預估
深度學習應該這一兩年計算機圈子里最熱的一個詞了。基于深度學習，工程師們在圖像，語音，NLP等領域都取得了令人振奮的進展。而深度學習本身也在不斷的探索和發(fā)展中，其潛力的極限目前還沒有被看到。
當然，深度學習也不是***的，比如有很多問題的特征是易于提取的，我們可以直接使用SVM, 決策樹的算法來取得很好的結果。而深度學習并不能提供太多的幫助。還有一些問題，我們并沒有足夠數量的數據，我們也很難通過深度學習算法來得到可用的模型。此外，有些問題對計算資源和時間的要求比較嚴苛，在深度學習小型化沒有取得突破性進展的時候，它們也不是***方法。
判斷一個項目適不適合上深度學習的正確姿勢
( 圖片來源 : 深度學習防騙指南 )
反過來說，雖然目前深度學習在個性化推薦，計算廣告領域上還沒有很大的突破，但是我認為推薦系統(tǒng)有很大概率會是深度學習的最重要的應用場景之一。理由有以下幾個方面：
現在的推薦系統(tǒng)都要面對海量的數據，要提取上萬乃至上億維的特征。而深度學習本身就是一個很好的表示學習的框架，從海量的數據中學習到人類無法提取的特征組合，是其擅長的事情。
( 圖片來源 : 深度學習防騙指南 )
數據和特征決定了機器學習的上限，而模型和算法只是逼近這個上限而已。現有的推薦系統(tǒng)依賴于特征工程的效果。而特征工程建立在不斷的深入理解問題和獲取額外的數據源上。然而根據數據人能抽象出來的特征總類很有限，新數據源和新特征的獲得會越來越難。隨著人工特征工程的深入，投入的人力和時間越來越長，得到的新特征對系統(tǒng)的提升卻越來越少。這個時候，使用深度學習來做特征表達，在成本上也許是一個更好的選擇。
圖：IBM Watson系統(tǒng)的精度提升曲線。可以看到一開始的時候結果提升的特別快，后面一點點的提升都要付出很大的努力，
因此我們基于Tensorflow在某個業(yè)務上做了DNN的嘗試，跑通了整個流程，積累了一些經驗。也比原有LR的模型在線上有了20%多的提升。希望這些代碼也可以幫助各位同學快速的在自己的業(yè)務上實現一套深度模型的框架。
圖： DNN在CTR預估的一般框架
一般來說，我們可以先選擇一個比較簡單的框架來跑通整個流程，然后再慢慢增加模型的復雜度。通常我們可以選用下圖的框架，把我們用到的數據分為兩類：連續(xù)的，和離散的特征。
對于連續(xù)的特征，需要做一些歸一化;對于離散的特征，則一般要做一個Embedding，把一個離散的特征轉成一個N維的向量。這個向量的長度一般來說是和該向量的取值空間成正比的。這個embedding的過程可以用FM來實現。 在我們的代碼里，是通過Tensorflow自動embedding_column實現的。
所以把用戶數據和推薦的物品數據放一起分成兩類，然后把embedded之后的離散特征 和 連續(xù)特征組合在一起，作為神經網絡的輸入，輸出就是[0,1] 是否點擊。這里面我們就直接調用tensorflow的DNNClassifier。這個網絡可以設計層數，每層的大小，dropout, 激活函數，學習率等等。
- opt = tf.train.AdamOptimizer(learning_rate=0.01,
- beta1=0.9,
- beta2=0.999) # default 0.001 0.9 0.999
- m = tf.contrib.learn.DNNClassifier(model_dir=model_dir,
- feature_columns=deep_columns,
- hidden_units=[1024, 512, 256],
- optimizer = opt,
- activation_fn=tf.nn.relu, # default
- dropout=0.05 )
所以后面就是一個不斷調參的過程，當然這個調參也是有一些技巧。網上有很多，在這里就不一一來說了。
深度學習調參師
( 圖片來源 : 深度學習防騙指南 )
總的來說，深度學習沒有那么神秘，它是一個很有效的工具。在個性化推薦上應該已經有很多團隊進行了很多嘗試。在這里，我們給出了一個簡單和有效的基于Tensorflow的實現方式，也希望可以幫助一些想要嘗試深度學習的一些團隊。
原文鏈接：https://cloud.tencent.com/community/article/603674
作者：蘇博覽
【本文是51CTO專欄作者“騰訊云技術社區(qū)”的原創(chuàng)稿件，轉載請通過51CTO聯(lián)系原作者獲取授權】
