15. dcn (Deep & Cross Network for Ad Click Predictions)

代码请参考:dcn如果我们的代码对您有用,还请点个star啊~

15.1. 内容

15.2. 模型简介

CTR(Click Through Rate),即点击率,是“推荐系统/计算广告”等领域的重要指标,对其进行预估是商品推送/广告投放等决策的基础。简单来说,CTR预估对每次广告的点击情况做出预测,预测用户是点击还是不点击。CTR预估模型综合考虑各种因素、特征,在大量历史数据上训练,最终对商业决策提供帮助。本模型实现了下述论文中的DeepAndCross模型:

@inproceedings{DeepAndCross,
  title={DeepAndCross: Deep & Cross Network for Ad Click Predictions},
  author={Ruoxi Wang, Bin Fu, Gang Fu, Mingliang Wang},
  year={2017}
}

15.3. 数据准备

15.3.1. 数据来源

训练及测试数据集选用Display Advertising Challenge所用的Criteo数据集。该数据集包括两部分:训练集和测试集。训练集包含一段时间内Criteo的部分流量,测试集则对应训练数据后一天的广告点击流量。 每一行数据格式如下所示:

<label> <integer feature 1> ... <integer feature 13> <categorical feature 1> ... <categorical feature 26>

其中<label>表示广告是否被点击,点击用1表示,未点击用0表示。<integer feature>代表数值特征(连续特征),共有13个连续特征。<categorical feature>代表分类特征(离散特征),共有26个离散特征。相邻两个特征用\t分隔,缺失特征用空格表示。测试集中<label>特征已被移除。

15.3.2. 一键下载训练及测试数据

全量数据集解析过程:

  1. 确认您当前所在目录为PaddleRec/models/rank/dcn

  2. 进入paddlerec/datasets/criteo目录下,执行该脚本,会从国内源的服务器上下载我们预处理完成的criteo全量数据集,并解压到指定文件夹。自动处理数据转化为可直接进行训练的格式。解压后全量训练数据放置于./slot_train_data_full,全量测试数据放置于./slot_test_data_full

cd ../../../datasets/criteo
sh run.sh

15.4. 运行环境

PaddlePaddle>=2.0

python 2.7/3.5/3.6/3.7

os : windows/linux/macos

15.5. 快速开始

本文提供了样例数据可以供您快速体验,在paddlerec模型目录”PaddleRec/models/rank/dcn”目录下执行下面的命令即可快速启动训练:

动态图训练:

python ../../../tools/trainer.py -m ./config.yaml

静态图训练:

python ../../../tools/static_trainer.py -m ./config.yaml

动态图推理

python ../../../tools/infer.py -m ./config.yaml

静态图推理

python ../../../tools/static_infer.py -m ./config.yaml

注意训练-预测,模型存储文件位置的一致性;动态图模型与静态图模型存储位置要分开;

15.6. 模型组网

deepAndCross模型的组网本质是一个二分类任务,模型代码参考“dygraph_model.py, static_model.py”,组网代码参考net.py。模型主要组成是交叉项Cross部分,DNN部分,以及相应的分类任务的loss、正则项loss计算,和auc计算。模型的组网可以看做Cross部分和dnn部分的结合,其中Cross部分主要的工作是通过特征间交叉得到交叉组合特征,可以实现任意特征间组合特征。dnn部分的主要组成为三个全连接层[512, 256, 128],每层FC都后接一个relu激活函数,每层FC的初始化方式为符合正态分布的随机初始化.最后接了一层输出维度为128的fc层,其输出与Cross部分输出特征进行concat,经过一层fc,综合计算预测值。

15.6.1. Loss及Auc计算

  • 预测的结果将的cross部分以及dnn部分输出的隐向量特征concat,再通过一层fc和激活函数sigmoid给出,为了得到每条样本分属于正负样本的概率,我们将预测结果和1-predict合并起来得到predict_2d,以便接下来计算auc。

  • 每条样本的损失为负对数损失值,label的数据类型将转化为float输入。

  • 该batch的损失avg_cost是各条样本的损失之和

  • 我们同时还会计算预测的auc,auc的结果由paddle.static.auc()给出,该层的返回值有三个,分别是全局auc: auc_var,当前batch的auc: batch_auc_var,以及auc_states: _,auc_states包含了batch_stat_pos, batch_stat_neg, stat_pos, stat_neg信息。 完成上述组网后,我们最终可以通过训练拿到auc指标。

15.7. 效果复现

为了方便使用者能够快速的跑通每一个模型,我们在每个模型下都提供了样例数据。如果需要复现readme中的效果,请按如下步骤依次操作即可。 在全量数据下模型的指标如下:

模型 auc batch_size thread_num epoch_num Time of each epoch
dcn 0.777 32 10 约 3 小时
  1. 确认您当前所在目录为PaddleRec/models/rank/dcn

  2. 在”criteo data”全量数据目录下,运行数据一键处理脚本,命令如下:

cd ../../../datasets/criteo
sh run.sh
  1. 退回dcn目录中,配置改为使用config_big.yaml中的参数

  2. 运行命令,模型会进行两个epoch的训练,然后预测第二个epoch,并获得相应auc指标动态图训练:

python ../../../tools/trainer.py -m ./config_big.yaml

静态图训练:

python ../../../tools/static_trainer.py -m ./config_big.yaml
  1. 经过全量数据训练后,执行推理: 动态图推理

python ../../../tools/infer.py -m ./config_big.yaml

静态图推理

python ../../../tools/static_infer.py -m ./config_big.yaml

注意训练-预测,模型存储文件位置的一致性;

15.8. 进阶使用

15.9. FAQ