深度学习在 Airbnb 中的探索与应用

栏目: 数据库 · 发布时间: 5年前

内容简介:文章作者:马宇峰编辑整理:Hoh Xil

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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:

深度学习在 Airbnb 中的探索与应用

2 ) 将满足幂度分布的特征归一化:

深度学习在 Airbnb 中的探索与应用

2. 特征平滑

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

3. 特殊特征 ( 经纬度 ) 平滑

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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

深度学习在 Airbnb 中的探索与应用

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:

NLP在网络文学领域的应用

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。

深度学习在 Airbnb 中的探索与应用

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!

查看所有标签

猜你喜欢:

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

让大象飞

让大象飞

[美] 史蒂文·霍夫曼 / 周海云、陈耿宣 / 中信出版社 / 2017-3 / 69.00

这是一本为中国创业者量身定做的创业指南,将帮助创业者理解创新的基本方法、模式和硅谷的创业理念。作者霍夫曼频繁地穿梭于中美两地,与不同的创业者、投资人、政府负责人进行对话,积累了大量的来自中国创业者的第一手经验。在这本书里,从创业团队的人员配备到创业融资的成败再到团队的高效管理,从创业者的心理素质到创业者的独到眼光再到企业赖以生存的根本,360度无死角地呈现了一家公司从初创到惊艳到立足再到稳定的全过......一起来看看 《让大象飞》 这本书的介绍吧!

MD5 加密
MD5 加密

MD5 加密工具

RGB HSV 转换
RGB HSV 转换

RGB HSV 互转工具

HSV CMYK 转换工具
HSV CMYK 转换工具

HSV CMYK互换工具