内容简介:文章作者:马宇峰编辑整理:Hoh Xil
文章作者:马宇峰 阅文集团
编辑整理:Hoh Xil
内容来源:作者授权
出品社区:DataFun
注:欢迎转载,转载请注明出处
本文来自对论文:Applying Deep Learning To Airbnb Search 的解读。
内容大纲:
-
效果概览
-
模型演进
-
失败尝试
-
特征工程
-
系统介绍
一、效果概览
分为离线和在线俩部分。其中,一个重要指标是 NDCG 标准化文档累计增益,NDCG = DCG/IDCG 。
二、模型演进
演进1:SimpleNN
超简单网络结构,其特点:
-
一层隐含层,32个 ReLUunits
-
所有用到的特征 GBDT 一样
-
训练目标与 GBDT 一致,最小化均方误差用户预定了就是1,没有预定就是0
结论:
-
SimpleNN 相对 GBDT 排序效果提升较小
-
验证 NN 的线上可行性
演进2:LambdaRankNN
网络结构保持不变:
-
改用 pairwise 损失,并在训练的时候最小化 crossentropy loss
-
使用 listing 对调带来的 delta NDCG 作为 pairwiseloss 的权重,得到最终的损失函数
结论:
线下小幅度提升 NDCG
线上大幅度提升
演进3:GBDT/FM NN
在研究 NN 模型的同时,Airbnb 还探索了 GBDT 和 FM 模型。三者线下表现差不多,但是得到的 排序 结果却很不相同。所以,Airbnb 尝试了将三种模型进行模型结构的融合,也算是常用的做法:
-
将 GBDT 的每一颗树的预测结果在叶节点中的 index ,作为 categorical feature ,输入到 NN 中;
-
将 FM 的预测点击概率结果,直接作为特征放到 NN 中。
-
单隐层全连接使用 ReLU 激活函数
结论:
-
GBDT/FM/SimpleNN 效果基本一致
-
单纯排序结果三者差异性较大
-
融合后线上收益较高
演进4:Deep NN
引入复杂深度模型探索特征空间:
-
195个 features 输入 ( 还是把类别型特征 embedding 之后的 )
-
两层 hiddenlayer 。第一层 127Units 输出,第二层 83Units 输出,使用 ReLU 激活函数。
-
数据量增加了10倍后效果显现
结论:
-
离线/在线均获得较大收益
-
离线训练量达到10亿量级时,训练与测试之间的效果 gap 消失
-
强调在 DL 中数据重要性
三、失败尝试
1. 失败 Embedding List
类比 item2vec 对 list ( 这里也是指某 item ) 进行 embedding :
-
直接使用用户 booking 顺序,产出 list2vec
-
考虑现实情况,单条 booking 顺序中没有大量的重复数据 ( 低频触发 )
-
考虑现实冲突,某个 house 一年最多 booking 365次
结论:
-
应用于线上带来大量过拟合,更大规模的训练数据也无法消灭低频
-
Airbnb 的现实场景导致 item 冲突约束性,大量房子预订量极低
2. 尝试挽救
发现:
-
Item 预定量低频,但浏览量不低
-
长时间浏览行为,与 booking 预定行为强相关
尝试:
-
多任务训练,以预定/浏览时长为多任务目标
-
隐层共享,利用 view 浏览时长数据修正过拟合,促进 embedding 效果
结论:
-
线上实验 longview 大幅提升,预订量无显著提升
-
人工分析,优先推荐:
① 高端但价格高的 item
② 特别而滑稽的 item
③ 文字描述很长的 item
四、特征工程
1. 深度学习也要做特征工程!
认知:
1 ) GBDT 考虑的是有序分裂点,对归一化不敏感
2 ) DL 对特征的绝对数值 较为敏感
-
较大的数值变化,会在 BP 学习中带来较大的梯度变化
-
较大数值在 ReLU 作为激活层时,甚至会导致其永久关闭
3 ) 满足一定条件的输入数据,会让深度学习模型表现得更好
-
特征值映射到 [-1,+1] 区间,中值为0
-
输入值尽量稠密平滑,去除输入毛刺点
归一化方法:
1 ) 将满足正太分布的特征归一化:
2 ) 将满足幂度分布的特征归一化:
2. 特征平滑
发现:
-
DL 中的每一层,输出都是越来越平滑
上图中,从下到上,分别是模型每层的输出
-
如果在输入层就平滑,将会提升泛化能力
底层的平滑输出,将保证高层对未知特征组合的稳定性
-
便于排查异常,保证特征完整性
下图是预定天数特征,左边为原始预定天数分布,右图为考虑预定天数中值后的分布
3. 特殊特征 ( 经纬度 ) 平滑
经纬度平滑过程:
直接使用经纬度特征,分布极其不均衡 ( 见上图第一层图片 ) 。
第二层图片左图,是对目标地点的距离特征分布,可以 看出大部分的点走在原点位置,其他的很多点以原点为中心均匀的分散开来。
第二层图片右图,是对经纬度分别取 log 。
将经纬度的 offset 分别取 log ( 上图最底层图片 ) , 得到基于距离的全局特征,而不是基于特定地理位置的特征。
4. 离散特征 embedding
发现:
-
虽然 item-embedding 在此场景不适用,但一些零散特征的 embedding 仍然有效 ( 主要针对不可比较、选项较多的离散值特征 )
-
利用搜索城市后的街道连续点击行为,构建街道 embedding
-
对全局query搜索内容进行初步聚合,再建立 embedding,产出作为用户搜索特征输入
5. 特征重要性评估
失败做法:
-
分解深度学习的 score,给出每一部分特征重要度
分析:多层非线性断绝分解的希望
-
依次移除特征,查看模型性能变化。
分析:特征之间不完全独立,在特征工程后尤其如此
-
随机修改某些特征,查看性能变化
分析:特征依旧不独立,没法排除 noise
成功做法:( TopBot 分析法 )
-
产出测试集预测的 list 排序
-
观察某个特征在头部 list 与尾部 list 的区别,有区分度为重要特征
-
下图中,左侧为 price ,头部 price 比尾部低;右侧为评论数,头部与尾部没区别
五、系统工程
Airbnb 系统介绍:
1. 工程架构
-
JavaServer 处理 query
-
Spark 记录 logs
-
Tensorflow 进行模型训练
-
JavaNNLibrary 线上低延迟预测
2. 数据集
-
GBDT 时代采用 CSV ,读入耗时长
-
Tf 时代改用 Protobufs ,效率提升17倍,GPU 利用率达到90%
3. 统计类特征
-
大量样本共同拥有的统计类特征,成为数据读取瓶颈
-
整合统计类特征,将其汇总后,看作不可训练的 embedding 矩阵,作为 tf 的统计特征节点输入层参数
4. 超参数
-
Dropout 层没有带来增益
-
初始化采用 {-1,1} 的范围均匀随机,比全0初始化要好
-
Batchsize 选用200,最优化使用 lazyAdom
参考资料:
Applying Deep Learning To Airbnb Search,论文链接:
https://arxiv.org/abs/1810.09591v2
论文 pdf 版本可直接关注本文公众号,回复“ Airbnb ”下载。
作者介绍:
马宇峰,阅文信息 资深研发工程师 内容挖掘平台技术负责人。前百度高级研发工程师,研究方向主要包括知识图谱、用户理解、推荐系统。曾获2014百度知识图谱竞赛第1名。
内推信息:
NLP算法工程师
薪资:20k-40k
经验:1-3年
学历:硕士及以上
邮箱: mayufeng@yuewen.com
地点:上海市浦东新区碧波路690号张江微电子港6号楼
职责:
1. 负责NLP基础算法研究工作,包括并不限于分词、重要性、紧密度、词性、专名识别、句法分析、文本分类、关键词抽取、纠错、知识图谱、词向量等
2. 建设基础的自然语言分析 工具 和平台,通过自然语言处理、深度学习等技术提升用户浏览与搜索体验
要求:
1. 211/985院校计算机、数学等相关专业硕士及以上学历
2. 熟悉 nlp 方向的基本技术,掌握常用的文本数据挖掘、自然语言处理等相关技术,有相应的工作或研究经验
3. 精通 c++ 或者 Python 语言,熟练使用 Hadoop
4. 掌握机器学习相关知识,有深度学习 NLP 算法相关经验,熟悉主流深度学习工具 ( TensorFlow/Caffe 等 ) 优先
5. 在搜索领域有相关工作经验优先
6. 责任心强,具备很强的团队协作意识和沟通能力
——END——
文章推荐:
关于 DataFun:
DataFun 定位于最实用的数据智能平台,主要形式为线下的深度沙龙、线上的内容整理。希望将工业界专家在各自场景下的实践经验,通过 DataFun 的平台传播和扩散,对即将或已经开始相关尝试的同学有启发和借鉴。
DataFun 的愿景是:为大数据、人工智能从业者和爱好者打造一个分享、交流、学习、成长的平台,让数据科学领域的知识和经验更好的传播和落地产生价值。
DataFun 成立至今,已经成功在全国范围内举办数十场线下技术沙龙,有超过三百位的业内专家参与分享,聚集了数万大数据、算法相关领域从业者。
您的「在看」,我的动力!:point_down:
以上所述就是小编给大家介绍的《深度学习在 Airbnb 中的探索与应用》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- [性能优化]DateFormatter深度优化探索
- Amazon Aurora深度探索--第一篇--整体架构
- Amazon Aurora深度探索--第二篇--存储架构
- 深度 | 线下场景的客流数字化探索与应用
- 深度学习在搜索业务中的探索与实践
- 深度文本表征与深度文本聚类在小样本场景中的探索与实践
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。