特征工程之连续/离散特征的处理_离散特征 和连续型特征 处理方法

离散特征：

1.无序离散特征：one-hot encoding，比如所属国家、城市 
        (1)无序离散特征：one-hot encoding，比如所属国家，城市。(1)如果one-hot之后unique值不多可以不用做Embedding， (2)但是如果该特征unique值过多，比如所属国家、城市，onehot产生的矩阵过宽，这种情况下，我们的通常做法就是将其转换为embedding。
         (2)也可以先做LabelEncoder将特征的不同取值区分开，然后再embedding 

2.有序离散特征：label encoding，比如年龄 (类似分桶)

3.单值离散特征：做Embedding映射成1*K维向量，然后与其他特征拼接

4.多值离散特征：做Embedding映射成3*K维，然后MeanPooling 成1*K维，比如某人的爱好有3个这种特征。

总结：
- 特征用于FM一次项wi*xi：
    - 原值：比如1、2、3等级
    - Onehot：比如性别，省份，城市
    - LabelEncoder：有序离散特征 年龄
- 特征用于FM二次项的隐向量
    - OneHot --> Embedding 
    - LabelEncoder -->  

连续特征：

- 1.归一化：去除不同维度数据的量纲以及量纲单位 服从均匀分布
- 2.标准化:  标准化成正态分布之后，可以更加容易地得出最优参数目标函数的最小值，从而达到加速收敛的效果。服从高斯分布，一般数据服从高斯分布，所以标准化用的比较多。

区别：两者都可以对特征做幅度缩放，两者的效果差不多，选择其中一个即可。

- 分桶：
    - (1)连续特征可以通过分桶实现离散化成[0,1,2,3,..9]
    - (2)大量离散特征比如 每个用户观看的视频数，也可以分桶

应用于FM一次项时：先通过标准化/分桶 --> 乘以权重系数wi*xi 再与其他特征拼接。  例如1个连续特征先通过Dense(1) (wi*xi)得到1个数，再与其他特征拼接。   
应用于FM二次项时：先通过标准化/分桶 -->Embedding得到K个数，在通过RepeatVector 得到1*K维向量，再与其他特征相乘。例如1个连续特征先通过Dense(1)(类似一个Embedding) 得到K个数，在通过RepeatVector 得到1*K维向量，再与其他特征相乘。(Ref: DeepFM-keras 实现中FM二次项)

## 离散/连续特征 总结：
- 第一步：原值，标准化，OneHot，LabelEncoder，分桶
- 第二步：如果需要得到隐向量的话 就再做Embedding

# 正则化：
- 常见的有正则项有 L1 正则 和 L2 正则 以及 Dropout 

更详细内容请参考：[ML 入门：归一化、标准化和正则化](https://zhuanlan.zhihu.com/p/29957294)

关于FM 的数据输入格式：

- libsvm数据格式：libsvm 格式的数据 一行中只有有数据的才会写上 比如5.0 1:1 5:1 10:5.1 11193:1  就表示预测值y=5.0，其中特征1(表示这条样本的userid=1),其中特征5(表示这条样本性别男特征=1)，特征10(比如score表示分数连续值)，特征11193(表示这条样本的itemid=11193)。
- 比如 userid有8千个，itemid 有3万个，连续，离散以及onehot之后的特征有2千个，那么共有4万个特征。这4万个特征依次排开形成 field_1,field_2....field_40000,

field:index:value
连续： filed_index:0:得分：表示一条样本的filed_score 这个特征 只有一个取值，大小就是实际分数比如5.1分
离散：field_index:9:1：表示这个特征被分了0~9十个桶，这条样本的filed_score取值位于第9个桶范围内，比如实际分数在(90,100）之间 
field_index:0:1：表示这个特征被分了0~9十个桶，这条样本的filed_score取值位于第1个桶范围内，比如实际分数在(90,100）之间

下表是一条样本的libsvm数据：其中231、10005都是特征索引，表示第几个特征。

FM 一次项输入的是：

具体数值(如下图的0.5，5.1等)；onehot值[0,1,0,0]; 还可以是[0,1,0,1,0] *W得到的值。

原理图，和实际物理实现方式之间的区别，
连续特征： 输入到Input中的是 原值(归一化)/分桶之后的离散值
    - 原值输入，#取值范围较小的   对一次项的贡献等于自身数值乘以权值w，可以用Dense(1)层实现
    - 可以通过归一化/标准化 做幅度缩放 直接作为FM的输入     #取值范围较大的做幅度缩放   对一次项的贡献等于缩放后数值乘以权值w，可以用Dense(1)层实现
    - 也可以 通过分桶，然后再onehot  作为输入 

in_score = Input(shape=[1], name="score") # None*1
emb_score = Dense(1)(in_score) # None*1    wi*xi
# or
in_score = Input(shape=[1], name="score") # None*1
numeric = Concatenate()([in_score, in_sales]) # None*2
dense_numeric = Dense(1)(numeric) # None*1

单值离散特征：输入到Input中的是 原值/分桶之后的离散值
    - onthot 之后作为输入                             # 取值个数较少
    - labelEncoder之后再 onehot作为输入。# 取值个数较多的

in_age = Input(shape=[1], name="age") # None*1
emb_age_1d = Reshape([1])(Embedding(10, 1)(in_age)) # None*1, 年龄取值10种

多值离散特征：输入到Input中的是 [2,3]  
    - 先做padding补成相同长度的，就得到了[0,1,0,1,1,0..0] 然后做Embedding(10,1) 即(w31*x1+w32*x2+...+w310*x10)/10

in_topic = Input(shape=[4], name="topic") # None*4, 最长长度4
emb_topic_1d = Embedding(22, 1, mask_zero=True)(in_topic) # None*4*1
emb_topic_1d = MyMeanPool(axis=1)(emb_topic_1d) # None*1

    首先，连续型field对一次项的贡献等于自身数值乘以权值w，可以用Dense(1)层实现，任意个连续型field输入到同一个Dense层即可，因此在数据处理时，可以先将所有连续型field拼成一个大矩阵，同时如上所述，ID可以省略。
    其次，单值离散型field根据样本特征取值的index，从w中取出对应权值（标量），由于离散型特征值为1，故它对一次项的贡献即取出的权值本身。取出权值的过程称为 table-lookup，可以用Embedding(n,1)层实现（n为该field特征取值个数）。若将所有单值离散型field的特征值联合编码，则可使用同一个Embedding Table进行lookup，不需要对每个field单独声明Embedding层。因此在数据处理时，可以先将所有单值离散型field拼起来并联合编码，同时如上所述，Value可以省略，只关心lookup出来的权值ww即可。
 最后，多值离散型field可以同时取多个特征值，为了batch training，必须对样本进行补零padding。相似地可用Embedding层实现，Value并不是必要的，但Value可以作为mask来使用，当然也可以在Embedding中设置mask_zero=True。Ref：https://blog.csdn.net/songbinxu/article/details/80151814

注意区别：word2vec和Embedding

word2vec是基于上下文的共现学习来学习词向量的；一般的embedding，就相当于是网络里的一层，是跟着任务端到端优化网络学习到权重参数，从而得到隐向量的。

word embedding是指词向量，是一个将词向量化的概念，word2vec则是将词映射成词向量的一种具体的技术。几个比较有名的word embedding方法包括： word2vec (Google), GloVe, wordRank, FastText (Facebook)。区别的话，就是一个是概念，一个是实现手段。

word2vec 的实现：先将离散特征(比如一句话中的每个词表示成onehot形式, 然后输入到CBOW或者Skip-Gram模型中得到 某一个单词的词向量。其中 CBOW的输入是好几个onehot向量，而Skip-Gram 输入的事一个onehot值。

FM二次项输入都是K维的隐向量：

• 1.连续值 输入到Input中的是 连续值/分桶之后的离散值

比如特征score=2.5，直接输入到Input神经元，分别乘以不同权重，得到隐向量$score*(w_{01},w_{02},w_{03})$ 然后输入到下一层神经元。而在实际训练中是，来了一个样本score=2.5，去lookup table表中查找score这个特征应的隐向量，取出来然后再乘以score，就可以了。

in_score = Input(shape=[1], name="score") # None*1
emb_score_Kd = RepeatVector(1)(Dense(latent)(in_score)) # None * 1 * K

• 2.单值离散  输入到Input中的是  原值/分桶之后的离散值

参考用keras实现一个DeepFM 画出对于单值离散的embedding图1 . 直接将年龄分桶之后的值(age=2)作为神经元的输入，然后得到1个3维隐向量，这是将Embedding视做黑盒子得到的结构图，可以看成是 keras层级图。

图1. 是Embedding 内部网络结构图，直接将年龄分桶之后的值(age=2)作为Embedding的输入，然后embedding内部将age=2 映射成一个1*5的向量[0,0,1,0,0] 通过全连接网络得到 3维隐向量。假设 年龄分桶之后取值(0,5)，0对应(0~20)岁，4对应(80,100)岁，先将每样样本的年龄进行onehot，然后将onehot映射成一个3维向量，比如这三维向量是身高，体重，阅历。显然w01 要小于w21；w11>w21>w41,因为人的身高先增大，后减小，20-40岁之间最大。

Embedding 实际物理实现方式：age=23 分桶之后变成 age=2 输入--> embedding --> 输出age=2的一个8维隐向量，也就是embedding内部去将age=2  onehot成 [0,0,1,0..0] 然后乘以lookup table表 取出隐向量。也就是我们输入到Input层的事age=2 而不是age=[0,0,1,0...0] ,因此不需要我们自己在特征工程时将age=2 变成onehot形式，

in_age = Input(shape=[1], name="age") # None*1    
emb_age_Kd = Embedding(10, 8)(in_age) # None*1, 年龄取值10种

• 3. 多值离散 输入到Input中的是   原值[2,3]

比如爱好特征共有22个不同取值而一个人爱好最多是4个，其中一个人有2个爱好[1,3]  那么我们直接将[1,3]补零后[1,3,0,0]作为Input层输入，embedding会逐个进行onehot 然后乘以权重矩阵得到对应的一个4*8的隐向量矩阵。

in_topic = Input(shape=[4], name="topic") # None*4, 最长长度4
emb_topic_Kd = Embedding(22, 8, mask_zero=True)(in_topic) # None * 4 * K  
# (22,8) 表示Embedding lookup table 是22*8的,也就是topic 共有22中不同取值0~21
 

总结：

• 用keras 设计算法模型时 是不需要对变量进行onehot的直接将连续值/离散值输入到Input层即可，因为有Embedding 会做onehot，Ref：用Keras实现一个DeepFM_神经网络特征是离散数据 keras_蕉叉熵的博客-CSDN博客
• 但是在说明原理或者用tf实现FM模型时就要在特征工程中实现onehot，也就是输入到 模型中的样本特征是经过onehot处理的，比如将age onehot成 age_0,age_1,age_2,....age_9。 Ref：【通俗易懂】手把手带你实现DeepFM！_LeadAI学院的博客-CSDN博客

连续特征的分桶

常用的分桶方式：

• 等距分桶、等频分桶、
• 直接对数做离散化如： 
• 利用树模型做离散化：如使用GBDT+LR来将连续特征分到不同的节点，利用节点分裂的值作为分桶依据。

离散化方法的缺点：

• 无法与CTR模型进行一起优化，即无法做到端到端训练
• 两个相近的取值由于被分到了不同的桶中，导致其embedding可能相差很远
• 两边的取值可能相差很远，但由于在同一桶中，其对应的embedding是完全相同的

AutoDis框架，具有高模型容量、端到端训练，每个特征取值具有独立表示的特点

三个步骤：

• 1、Meta-Embeddings

• 2、Automatic Discretization 对连续特征进行自动的离散化，实现了离散化过程的端到端训练。可以看作是一种软离散化（soft discretization）。对于温度系数 ，当其接近于0时，得到的分桶概率分布接近于one-hot，当其接近于无穷时，得到的分桶概率分布近似于均匀分布。这种方式也称为softargmax。
• 3、Aggregation Function  将每个桶的embedding进行整合

KDD2021 | 华为AutoDis：连续特征的Embedding学习框架 - 知乎

autodis：一种新的连续特征embedding框架 - 知乎