一、前言

?

?

在互聯(lián)網(wǎng)高速發(fā)展的今天，越來越復(fù)雜的特征被應(yīng)用到搜索中，對于檢索模型的排序，基本的業(yè)務(wù)規(guī)則排序或者人工調(diào)參的方式已經(jīng)不能滿足需求了，此時(shí)由于大數(shù)據(jù)的加持，機(jī)器學(xué)習(xí)、深度學(xué)習(xí)成為了一項(xiàng)可以選擇的方式。

?

攜程主站搜索作為主要的流量入口之一，是用戶瀏覽信息的重要方式。用戶搜索方式多樣、對接業(yè)務(wù)多樣給攜程主站搜索（下文簡稱大搜）帶來了許多挑戰(zhàn)，如：

?

• 搜索方式多樣化

• 場景多樣化

• 業(yè)務(wù)多樣化

• 意圖多樣化

• 用戶多樣化

?

為了更好滿足搜索的多樣化，大搜團(tuán)隊(duì)對傳統(tǒng)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方向進(jìn)行探索。

?

說起機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，是個(gè)很大的話題，今天我們只來一起聊聊傳統(tǒng)機(jī)器學(xué)習(xí)中XGBoost在大搜中的排序?qū)嵺`。

?

二、XGBoost探索與實(shí)踐

?

聊起搜索排序，那肯定離不開L2R。Learning to Rank，簡稱（L2R），是一個(gè)監(jiān)督學(xué)習(xí)的過程，需要提前做特征選取、訓(xùn)練數(shù)據(jù)的獲取然后再做模型訓(xùn)練。

?

L2R可以分為：

?

• PointWise

• PairWise

• ListWise

?

PointWise方法只考慮給定查詢下單個(gè)文檔的絕對相關(guān)度，不考慮其他文檔和給定查詢的相關(guān)度。

?

PairWise方法考慮給定查詢下兩個(gè)文檔直接的相對相關(guān)度。比如給定查詢query的一個(gè)真實(shí)文檔序列，我們只需要考慮任意兩個(gè)相關(guān)度不同的文檔直接的相對相關(guān)度。相比PointWise，PairWise方法通過考慮任意兩個(gè)文檔直接的相關(guān)度進(jìn)行排序，有一定的優(yōu)勢。

?

ListWise直接考慮給定查詢下的文檔集合的整體序列，直接優(yōu)化模型輸出的文檔序列，使得盡可能接近真實(shí)文檔序列。

?

下面先簡單介紹XGBoost的應(yīng)用流程：

?

?

XGBoost是一個(gè)優(yōu)化的分布式梯度增強(qiáng)庫，增強(qiáng)樹模型，靈活便捷。但對高維度的稀疏矩陣支持不是很好，另外調(diào)參確實(shí)有點(diǎn)麻煩。

?

三、特征工程實(shí)踐

?

?

在傳統(tǒng)機(jī)器學(xué)習(xí)下，特征工程顯的尤為重要，不論后續(xù)模型工程做的多好，如果前期的特征工程沒有做好，那么訓(xùn)練的結(jié)果不會(huì)有多好。所以對特征處理的總體邏輯如下：

?

?

3.1 前期數(shù)據(jù)準(zhǔn)備

?

首先，我們需要進(jìn)行需求分析，就是在什么場景下排序。假設(shè)我們需要針對搜索召回的POI場景進(jìn)行排序，那么需要確定幾件事情：

?

• 數(shù)據(jù)來源：搜索的數(shù)據(jù)就是各種POI，然后需要確定我們有哪些數(shù)據(jù)可以用來排序，比如最近半年的搜索POI的曝光點(diǎn)擊數(shù)據(jù)等；

• 特征梳理：需要梳理影響POI排序的因子，例如查詢相關(guān)特征、POI相關(guān)特征、用戶相關(guān)特征等；

• 標(biāo)注規(guī)則制定：每次搜索召回的每個(gè)POI，會(huì)有曝光和點(diǎn)擊數(shù)據(jù)，簡單點(diǎn)，比如：我們可以將曝光位置作為默認(rèn)標(biāo)注分，當(dāng)有點(diǎn)擊，就將標(biāo)注分在原來的基礎(chǔ)上加一；

• 數(shù)據(jù)埋點(diǎn)/數(shù)據(jù)抽取：這是兩種方式，可以根據(jù)實(shí)際需求進(jìn)行選擇；

?

• • 數(shù)據(jù)埋點(diǎn)：可以在線上實(shí)時(shí)生成特征，然后進(jìn)行日志埋點(diǎn)，離線分析的時(shí)候可以直接從日志中拉取即可，這種方式，需要提前進(jìn)行埋點(diǎn)。

  • 數(shù)據(jù)抽取：可以通過大數(shù)據(jù)平臺(tái)拉取歷史數(shù)據(jù)，然后進(jìn)行離線計(jì)算抽取所需特征，這種方式雖然慢點(diǎn)，但是可以拉取歷史數(shù)據(jù)進(jìn)行分析。

?

3.2 特征處理

?

前期的數(shù)據(jù)準(zhǔn)備工作完成了，接下來可以開始看看數(shù)據(jù)質(zhì)量了。

?

• 查看缺失值：絕大多數(shù)情況下，我們都需要對缺失值進(jìn)行處理；

• 特征歸一化處理：監(jiān)督學(xué)習(xí)對特征的尺度非常敏感，因此，需要對特征歸一化用來促進(jìn)模型更好的收斂；

• 噪聲點(diǎn)處理：異常的數(shù)據(jù)會(huì)影響模型預(yù)測的正確性；

• 特征連續(xù)值分析：分析特征的值分布范圍是否均勻；

• 特征之間的相關(guān)性分析；

  ?

?

通過連續(xù)值特征可以分析每個(gè)特征值的大致分布范圍，有利于對相關(guān)特征進(jìn)行數(shù)據(jù)補(bǔ)充或者重新篩選。

?

?

通過特征相關(guān)性的分析，如上我們看到幾個(gè)特征之間有很高的相關(guān)性，那么可以幫助我們做特征組合或者特征篩選等等方面決策。

?

四、模型工程實(shí)踐

?

?

4.1 評(píng)估指標(biāo)制定

?

在搜索業(yè)務(wù)中，考慮的有以下兩種情況：

?

• 看重用戶搜索的成功率，即有沒有點(diǎn)擊；

• 看重頁面第一屏的曝光點(diǎn)擊率；

?

在文章開頭提到的L2R的三種分類中，我們在XGBoost參數(shù)objective配置“rank:pairwise”,同時(shí)使用搜索系統(tǒng)常用的評(píng)估指標(biāo)NDCG (Normalized Discounted Cumulative Gain) 。

?

• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?

def _to_list(x): if isinstance(x, list): return x return [x] def ndcg(y_true, y_pred, k=20, rel_threshold=0): if k <= 0: return 0 y_true = _to_list(np.squeeze(y_true).tolist()) y_pred = _to_list(np.squeeze(y_pred).tolist()) c = list(zip(y_true, y_pred)) random.shuffle(c) c_g = sorted(c, key=lambda x: x[0], reverse=True) c_p = sorted(c, key=lambda x: x[1], reverse=True) idcg = 0 ndcg = 0 for i, (g, p) in enumerate(c_g): if i >= k: break if g > rel_threshold: idcg += (math.pow(2, g) - 1) / math.log(2 + i) for i, (g, p) in enumerate(c_p): if i >= k: break if g > rel_threshold: ndcg += (math.pow(2, g) - 1) / math.log(2 + i) if idcg == 0: return 0 else: return ndcg / idcg

4.2 初始模型訓(xùn)練

?

前期通過基礎(chǔ)的模型訓(xùn)練，可以初步得出一些初始參數(shù)和相關(guān)特征的重要度等相關(guān)信息。

?

• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?
• ?

train_dmatrix = DMatrix(x_train, y_train)valid_dmatrix = DMatrix(x_valid, y_valid)test_dmatrix = DMatrix(x_test) train_dmatrix.set_group(group_train)valid_dmatrix.set_group(group_valid)test_dmatrix.set_group(group_test) params = {'objective': 'rank:pairwise', 'eta': 0.5, 'gamma': 1.0, 'min_child_weight': 0.5, 'max_depth': 8,'eval_metric':'ndcg@10-','nthread':16}xgb_model = xgb.train(params, train_dmatrix, num_boost_round=1000, evals=[(valid_dmatrix, 'validation')])

?

• ?
• ?
• ?
• ?
• ?

import pandas as pd print('特征名稱', '特征權(quán)重值')feature_score = xgb_model.get_fscore()pd.Series(feature_score).sort_values(ascending=False)

?

?

4.3 模型調(diào)優(yōu)五部曲

?

通過上述基礎(chǔ)的模型訓(xùn)練，我們可以得出相關(guān)的初始參數(shù)，進(jìn)入到五部曲環(huán)節(jié)，XGBoost參數(shù)調(diào)節(jié)基本為五個(gè)環(huán)節(jié)：

?

• Step 1：選擇一組初始參數(shù)；

• Step 2：改變 max_depth 和 min_child_weight；

• Step 3：調(diào)節(jié) gamma 降低模型過擬合風(fēng)險(xiǎn)；

• Step 4：調(diào)節(jié) subsample 和 colsample_bytree 改變數(shù)據(jù)采樣策略；

• Step 5：調(diào)節(jié)學(xué)習(xí)率 eta；

• 
  
  ?

例如我們在通過step1，可以觀察弱分類數(shù)目的大致范圍，看看模型是過擬合還是欠擬合。

?

?

通過step2調(diào)整樹的深度和節(jié)點(diǎn)權(quán)重，這些參數(shù)對XGBoost性能影響最大，我們簡要概述他們：

?

• max_depth：樹的最大深度。增加這個(gè)值會(huì)使模型更加復(fù)雜，也容易出現(xiàn)過擬合，深度3-10是合理的；

• min_child_weight：正則化參數(shù)。如果樹分區(qū)中的實(shí)例權(quán)重小于定義的總和，則停止樹構(gòu)建過程。

?

可以通過網(wǎng)格搜索發(fā)現(xiàn)最佳結(jié)果，當(dāng)然也可以通過其他方式。

?

?

我們看到，從網(wǎng)格搜索的結(jié)果，分?jǐn)?shù)的提高主要是基于max_depth增加。min_child_weight稍有影響的成績，但是min_child_weight = 6會(huì)更好一些。

?

4.4 模型離線評(píng)估

?

通過調(diào)優(yōu)五部曲，訓(xùn)練，生成最終的模型之后，就要進(jìn)入離線評(píng)估階段。離線拉取線上生產(chǎn)用戶的請求，模擬生產(chǎn)，對模型預(yù)測的結(jié)果進(jìn)行檢驗(yàn)，根據(jù)在之前評(píng)估指標(biāo)制定環(huán)節(jié)所提到的用戶點(diǎn)擊率和第一屏曝光點(diǎn)擊率，比對線上用戶點(diǎn)擊產(chǎn)品的位置和模型預(yù)測的位置，同時(shí)對比兩者之間的第一屏曝光點(diǎn)擊率。

?

4.5 模型預(yù)測

?

通過AB實(shí)驗(yàn)，對模型進(jìn)行線上預(yù)測，實(shí)時(shí)監(jiān)測效果評(píng)估，方便之后的迭代和優(yōu)化。

?

五、總結(jié)與展望

?

?

• 對于傳統(tǒng)的機(jī)器學(xué)習(xí)，最重要的一步是要做好需求分析，評(píng)估這種算法是否能有效解決該問題，否則得不償失；

?

• 前期的特征工程非常關(guān)鍵。通過多次的摸索發(fā)現(xiàn)，特征沒有選取好，或者數(shù)據(jù)覆蓋不全，標(biāo)注沒做好，導(dǎo)致后續(xù)模型不論怎么調(diào)優(yōu)，都無法達(dá)到預(yù)定的效果；

?

• 選定目標(biāo)后，可以先嘗試一些優(yōu)秀的開源工具、優(yōu)秀的數(shù)據(jù)分析工具。直觀的圖表能幫助你做更好的決策，優(yōu)秀的算法庫，能避免重復(fù)造輪子；

?

• 單一的算法無法滿足搜索排序應(yīng)用場景，多模型融合以及深度學(xué)習(xí)方向需要做更深入的探索與實(shí)踐；

總結(jié)

以上是生活随笔為你收集整理的XGBoost在携程搜索排序中的应用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。