推荐算法实战项目：Deep&Cross 原理以及案例实战(附完整 Python 代码)

本文要介绍的是由斯坦福大学联合Google的研究人员发表的论文《Deep & Cross Network for Ad Click Predictions》中提出的Deep&Cross模型，简称DCN。

DCN模型是Wide&Deep的改进版本，其中Deep部分的设计思路与Wide&Deep没有发生本质的变化，DCN主要是重新设计了Cross部分以增加特征之间的交互力度，使用了多层特征交叉层对输入向量进行特征交叉，以获得更加强壮的特征表达能力。

摘要

点击率(CTR)预估任务是一个大规模的问题，尤其是对于价值数百亿美元的在线广告业务。在广告界，广告商向发布商付款，以便在发布商的网站上展示其广告。

较为主流的付款方式是根据每次点击付款(cost-per-click)，即当用户点击了一次广告之后，发布商就可以向广告商索取费用。因此，对于发布商而言，其预测广告点击率的能力直接决定了其营收。

做出较为准确的点击率预测的关键是要识别出经常预测的特征，并且同时挖掘出不常见的交叉特征信息。然而，用于Web级推荐系统的数据通常是离散的，且大多是类别数据，这就导致了一个非常庞大且稀疏的特征空间，对特征探索提出了巨大的挑战。这也使得大多数大型系统受限于使用简单的线性模型，比如逻辑回归。线性模型很简单，解释性很强，并且计算快速。

然而，这也限制了它的表达能力。交叉特征已经被证明对提高模型的表达能力很有效。然而它一般需要手工特征工程或者纷繁复杂的搜索才能找到；此外，它也很难推广到那些看不见的特征交互上。

作者在这篇论文中引入了一个新型的神经网络结构，即DCN。它避免了传统的针对特定任务的特征工程，依靠神经网络强大的学习能力，在一定程度上实现自动学习交叉特征组合。

Deep&Cross 网络模型

Deep&Cross模型，简称DCN。DCN模型的输入是稠密和稀疏向量，可以自动进行特征学习，有效捕捉有限度的特征交互，学习高度非线性的特征之间的交互，无需复杂繁琐的特征工程和详细的特征搜索，并且具备较低的计算成本。模型的整体结构图如下:

DCN模型整体结构比较简单，下面分别进行描述。

Embedding和Stack层

输入数据包含稠密和稀疏向量。在Web级的推荐系统任务中，比如点击率预估，其输入大都是类别向量，比如“国家=中国”。这样的特征通常被编码成one-hot向量，比如这样“[0,1,0]”；但是如果稀疏向量很多，且类别较大，那么这将导致一个超高维的特征空间，同时造成空间浪费以及计算复杂度高。

为了减少维度，通常采用embedding处理（即上图红色矩形框部分），将这些二值化特征转化为包含实数的稠密向量，也叫做嵌入向量（embedding vector）。转换公式如下：

Cross网络

Cross网络是DCN模型中最关键的部分，它以一种高效的方式来进行特征交叉。Cross网络包含若干个cross层，每一层都通过以下公式计算：

cross层的工作示意图如下：

现在大家应该可以理解cross layer计算公式的设计意图了。这个例子可以帮助我们更加深入理解cross层的设计：

1. 有限高阶：叉乘阶数由网络深度决定，深度对应最高的阶的叉乘
2. 自动叉乘： Cross输出包含了原始特征从一阶到n阶的所有叉乘组合，而模型的参数量仅仅随着输入维度成线性增加。
3. 参数共享：不同叉乘项对应的权重不同，单并非每个叉乘组合对应独立的权重，通过参数共享，cross有效降低了参数量。此外，参数共享还使得模型具有更强的泛化性和鲁棒性。

复杂度计算

论文表示，cross网络之所以能够高效地学习组合特征，就是因为秩为1，使得我们不用计算并存储整个矩阵就可以得到所有的cross items。

我们再来观察一下cross层的计算迭代公式：

实际代码调试的时候，两种方法都实验了，在我的电脑上测试发现，使用优化过的计算方式大概可以将速度提升6倍左右。

Deep网络

Deep层比较简单，就是一个全连接前向神经网络，每一层的计算方式如下：

复杂度计算

出于简化目的，我们假设所有的Deep层都是通用的大小。

聚合层

聚合的作用是将Deep和Cross网络的输出聚合到一个向量中，并且通过一个标准的逻辑层。计算公式如下：

损失函数是一个标准的交叉熵函数加上一个正则项：

主要贡献

DCN的主要贡献主要包含以下几点：

• 提出一种新型的交叉网络结构，可以用来提取交叉组合特征，并不需要人为设计的特征工程
• 这种网络结构足够简单同时也很有效，可以获得随网络层数增加而增加的多项式阶（polynomial degree）交叉特征
• 十分节约内存（依赖于正确地实现），并且易于使用
• 实验结果表明，DCN相比于其他模型有更出色的效果，与DNN模型相比，较少的参数却取得了较好的效果

完整源码

文章中的完整源码，添加微信号：mlc2060，备注：获取推荐资料

部分代码

模型部分代码，主要包含了Deep和Cross，以及DeepCross模型实现，特别要注意的就是Cross模型中的矩阵计算的时候，有两种方式，默认用的是优化过后的方法。

import torch
import torch.nn as nn
from BaseModel.basemodel import BaseModel

class Deep(nn.Module):
    def __init__(self, input_dim, deep_layers):
        super(Deep, self).__init__()

        deep_layers.insert(0, input_dim)
        deep_ayer_list = []
        for layer in list(zip(deep_layers[:-1], deep_layers[1:])):
            deep_ayer_list.append(nn.Linear(layer[0], layer[1]))
            deep_ayer_list.append(nn.BatchNorm1d(layer[1], affine=False))
            deep_ayer_list.append(nn.ReLU(inplace=True))
        self._deep = nn.Sequential(*deep_ayer_list)

    def forward(self, x):
        out = self._deep(x)
        return out

class Cross(nn.Module):
    """
    the operation is this module is x_0 * x_l^T * w_l + x_l + b_l for each layer, and x_0 is the init input
    """
    def __init__(self, input_dim, num_cross_layers):
        super(Cross, self).__init__()
        
        self.num_cross_layers = num_cross_layers
        weight_w = []
        weight_b = []
        batchnorm = []
        for i in range(num_cross_layers):
            weight_w.append(nn.Parameter(torch.nn.init.normal_(torch.empty(input_dim))))
            weight_b.append(nn.Parameter(torch.nn.init.normal_(torch.empty(input_dim))))
            batchnorm.append(nn.BatchNorm1d(input_dim, affine=False))

        self.weight_w = nn.ParameterList(weight_w)
        self.weight_b = nn.ParameterList(weight_b)
        self.bn = nn.ModuleList(batchnorm)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39

测试数据是criteo数据集的一个很小的子集，测试代码如下：

import torch
from DeepCross.trainer import Trainer
from DeepCross.network import DeepCross
from Utils.criteo_loader import getTestData, getTrainData
import torch.utils.data as Data

deepcross_config = \
{
    'deep_layers': [256,128,64,32], # 设置Deep模块的隐层大小
    'num_cross_layers': 4, # cross模块的层数
    'num_epoch': 2,
    'batch_size': 32,
    'lr': 1e-3,
    'l2_regularization': 1e-4,
    'device_id': 0,
    'use_cuda': False,
    'train_file': '../Data/criteo/processed_data/train_set.csv',
    'fea_file': '../Data/criteo/processed_data/fea_col.npy',
    'validate_file': '../Data/criteo/processed_data/val_set.csv',
    'test_file': '../Data/criteo/processed_data/test_set.csv',
    'model_name': '../TrainedModels/DeepCross.model'
}

if __name__ == "__main__":
    ####################################################################################
    # DeepCross 模型
    ####################################################################################
    training_data, training_label, dense_features_col, sparse_features_col = getTrainData(deepcross_config['train_file'], deepcross_config['fea_file'])
    train_dataset = Data.TensorDataset(torch.tensor(training_data).float(), torch.tensor(training_label).float())
    test_data = getTestData(deepcross_config['test_file'])
    test_dataset = Data.TensorDataset(torch.tensor(test_data).float())

    deepCross = DeepCross(deepcross_config, dense_features_cols=dense_features_col, sparse_features_cols=sparse_features_col)

    ####################################################################################
    # 模型训练阶段
    ####################################################################################
    # # 实例化模型训练器
    trainer = Trainer(model=deepCross, config=deepcross_config)
    # 训练
    trainer.train(train_dataset)
    # 保存模型
    trainer.save()

    ####################################################################################
    # 模型测试阶段
    ####################################################################################
    deepCross.eval()
    if deepcross_config['use_cuda']:
        deepCross.loadModel(map_location=lambda storage, loc: storage.cuda(deepcross_config['device_id']))
        deepCross = deepCross.cuda()
    else:
        deepCross.loadModel(map_location=torch.device('cpu'))

    y_pred_probs = deepCross(torch.tensor(test_data).float())
    y_pred = torch.where(y_pred_probs>0.5, torch.ones_like(y_pred_probs), torch.zeros_like(y_pred_probs))
    print("Test Data CTR Predict...\n ", y_pred.view(-1))
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57

测试代码就是对criteo的测试集中的每一个样本数据输出对应的点击率预测，0或者1。以下是部分测试结果：