個性化推薦系統(tǒng)是達觀數(shù)據(jù)在金融、電商、媒體、直播等行業(yè)的主要產(chǎn)品之一。在達觀數(shù)據(jù)的個性化推薦系統(tǒng)架構(gòu)中，可 以簡單地分為5層架構(gòu)，每層處理相應(yīng)的數(shù)據(jù)輸出給下一層使用，分別是:

• 數(shù)據(jù)處理層

作為推薦系統(tǒng)***端的數(shù)據(jù)處理層，主要功能是首先將客戶上傳上來的一些無用的噪聲數(shù)據(jù)進行清理過濾，將推薦系 統(tǒng)所需要用到的數(shù)據(jù)導(dǎo)入到數(shù)據(jù)存儲層中；

• 數(shù)據(jù)存儲層

對于item的數(shù)據(jù)一般存入在Mysql中，隨著數(shù)據(jù)量越來越大的item的數(shù)據(jù)，相比Mysql的擴展性來說，HBase和Hive 是一個更好的選擇，Hive可以方便離線分析時操作。而對于實時模塊，以及一些用進程同步相關(guān)的模塊，實時性要求 比較高的，redis就可以派上用場了，作為緩存，生產(chǎn)者生產(chǎn)數(shù)據(jù)寫入redis供消費者讀?。?/p>

• 生成候選集

通過一系列的基礎(chǔ)算法如協(xié)同過濾，content-base，點擊反饋，熱門等數(shù)據(jù)給每個用戶生成個性化的候選集；

• 融合候選集

將各個算法生成的候選集的item按照一系列規(guī)則進行融合過濾。

• 重排序

將融合過濾后的item集合用一定的算法重新排序，將排序后的結(jié)果輸出到用戶，這邊主要常用到機器學(xué)習(xí)相關(guān)模型和 算法，如LR和GBDT。

本文將著重淺析一下重排序用到的集成學(xué)習(xí)算法(Ensemble Method)。

集成學(xué)習(xí)概述

集成學(xué)習(xí)算法本身不算一種單獨的機器學(xué)習(xí)算法，而是通過構(gòu)建并結(jié)合多個機器學(xué)習(xí)器來完成學(xué)習(xí)任務(wù)?？梢哉f是集百家 之所長，能在機器學(xué)習(xí)算法中擁有較高的準(zhǔn)確率，不足之處就是模型的訓(xùn)練過程可能比較復(fù)雜，效率不是很高。目前常見 的集成學(xué)習(xí)算法主要有2種：基于Bagging的算法和基于Boosting的算法，基于Bagging的代表算法有隨機森林，而基于Boosting的代表算法則有Adaboost、GBDT、XGBOOST等。

基于Bagging算法

Bagging算法(裝袋法)是bootstrap  aggregating的縮寫，它主要對樣本訓(xùn)練集合進行隨機化抽樣，通過反復(fù)的抽樣訓(xùn)練新的模型，最終在這些模型的基礎(chǔ)上取平均。

• 基本思想

1.給定一個弱學(xué)習(xí)算法，和一個訓(xùn)練集；

2.單個弱學(xué)習(xí)算法準(zhǔn)確率不高；

3.將該學(xué)習(xí)算法使用多次，得出預(yù)測函數(shù)序列，進行投票；

4.***結(jié)果準(zhǔn)確率將得到提高。

以隨機森林為例來詳解

• 隨機森林基本原理

隨機森林由LeoBreiman（2001）提出，從原始訓(xùn)練樣本集N中有放回地重復(fù)隨機抽取k個樣本生成新的訓(xùn)練樣本集     合，然后根據(jù)自助樣本集生成k個分類樹組成隨機森林，新數(shù)據(jù)的分類結(jié)果按分類樹投票多少形成的分數(shù)而定。其實質(zhì) 是對決策樹算法的一種改進，將多個決策樹合并在一起，每棵樹的建立依賴于一個獨立抽取的樣品，森林中的每棵樹   具有相同的分布，分類誤差取決于每一棵樹的分類能力和它們之間的相關(guān)性。特征選擇采用隨機的方法去分裂每一個   節(jié)點，然后比較不同情況下產(chǎn)生的誤差。能夠檢測到的內(nèi)在估計誤差、分類能力和相關(guān)性決定選擇特征的數(shù)目。單棵   樹的分類能力可能很小，但在隨機產(chǎn)生大量的決策樹后，一個測試樣品可以通過每一棵樹的分類結(jié)果經(jīng)統(tǒng)計后選擇最   可能的分類。

• 隨機森林算法過程

1.從訓(xùn)練數(shù)據(jù)中選取n個數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)輸入，一般情況下n是遠小于整體的訓(xùn)練數(shù)據(jù)N的，這樣就會造成有一部 分數(shù)據(jù)是無法被取到的，這部分數(shù)據(jù)稱為袋外數(shù)據(jù)，可以使用袋外數(shù)據(jù)做誤差估計。

2.選取了輸入的訓(xùn)練數(shù)據(jù)的之后，需要構(gòu)建決策樹，具體方法是每一個分裂結(jié)點從整體的特征集M中選取m個特征構(gòu) 建，一般情況下m遠小于M。

3.在構(gòu)造每棵決策樹的過程中，按照選取最小的基尼指數(shù)進行分裂節(jié)點的選取進行決策樹的構(gòu)建。決策樹的其他結(jié)點 都采取相同的分裂規(guī)則進行構(gòu)建，直到該節(jié)點的所有訓(xùn)練樣例都屬于同一類或者達到樹的***深度。

4.重復(fù)第2步和第3步多次，每一次輸入數(shù)據(jù)對應(yīng)一顆決策樹，這樣就得到了隨機森林，可以用來對預(yù)測數(shù)據(jù)進行決 策。

5.輸入的訓(xùn)練數(shù)據(jù)選擇好了，多棵決策樹也構(gòu)建好了，對待預(yù)測數(shù)據(jù)進行預(yù)測，比如說輸入一個待預(yù)測數(shù)據(jù)，然后多 棵決策樹同時進行決策，***采用多數(shù)投票的方式進行類別的決策。

• 隨機森林注意點

1.在構(gòu)建決策樹的過程中是不需要剪枝的。

2.整個森林的樹的數(shù)量和每棵樹的特征需要人為進行設(shè)定。

3.構(gòu)建決策樹的時候分裂節(jié)點的選擇是依據(jù)最小基尼系數(shù)的。

基于Boosting算法

提升算法(Boosting)是常用的有效的統(tǒng)計學(xué)習(xí)算法，屬于迭代算法，它通過不斷地使用一個弱學(xué)習(xí)器彌補前一個弱學(xué)習(xí)器 的“不足”的過程，來串行地構(gòu)造一個較強的學(xué)習(xí)器，這個強學(xué)習(xí)器能夠使目標(biāo)函數(shù)值足夠小。

• 基本思想

1.先賦予每個訓(xùn)練樣本相同的概率；

2.然后進行T次迭代，每次迭代后，對分類錯誤的樣本加大權(quán)重(重采樣)，使得在下一次的迭代中更加關(guān)注這些樣本。

Boosting系列算法里***算法主要有AdaBoost算法和提升樹(boosting  tree)系列算法。提升樹系列算法里面應(yīng)用最廣泛的是梯度提升樹(Gradient Boosting Tree)。

以AdaBoost算法作為代表算法來詳解

• 基本原理

Adaboost(adaptive boosting: boosting + 單層決策樹)是boosting中較為代表的算法，基本思想是通過訓(xùn)練數(shù)據(jù)的分布構(gòu)造一個分類器，然后通過誤差率求出這個若弱分類器的權(quán)重，通過更新訓(xùn)練數(shù)據(jù)的分布，迭代進行，直到達到   迭代次數(shù)或者損失函數(shù)小于某一閾值。

假設(shè)訓(xùn)練數(shù)據(jù)集為

• 算法過程

Bagging和Boosting算法異同

Bagging算法與Boosting算法的核心都是將一系列弱學(xué)習(xí)器的算法按照特定的結(jié)合策略組合成強學(xué)習(xí)器的過程。兩者之  間的區(qū)別在于以下幾點上：

1.樣本選擇：

• Bagging：訓(xùn)練集是在原始集中有放回選取的，從原始集中選出的各輪訓(xùn)練集之間是獨立的.
• Boosting：每一輪的訓(xùn)練集不變，只是訓(xùn)練集中每個樣例在分類器中的權(quán)重發(fā)生變化.而權(quán)值是根據(jù)上一輪的分類結(jié)果 進行調(diào)整。

2.樣例權(quán)重：

• Bagging：使用均勻取樣，每個樣例的權(quán)重相等。
• Boosting：根據(jù)錯誤率不斷調(diào)整樣例的權(quán)值，錯誤率越大則權(quán)重越大.

3.預(yù)測函數(shù)：

• Bagging：所有預(yù)測函數(shù)的權(quán)重相等。
• Boosting：每個弱分類器都有相應(yīng)的權(quán)重，對于分類誤差小的分類器會有更大的權(quán)重。

4.并行計算：

• Bagging：各個預(yù)測函數(shù)可以并行生成。
• Boosting：各個預(yù)測函數(shù)只能順序生成，因為后一個模型參數(shù)需要前一輪模型的結(jié)果。

集成學(xué)習(xí)之結(jié)合策略

以上部分我們主要關(guān)注與學(xué)習(xí)器本身，對于學(xué)習(xí)器之間的結(jié)合策略并未涉及到，這一小節(jié)主要介紹常見的結(jié)合策略，主要 有平均法，投票法，學(xué)習(xí)法。

• 平均法

對于數(shù)值類的回歸預(yù)測問題，通常使用的結(jié)合策略是平均法，也就是說，對于若干和弱學(xué)習(xí)器的輸出進行平均得到最 終的預(yù)測輸出。最簡單的平均是算術(shù)平均，也就是說最終預(yù)測為

• 投票法

• 學(xué)習(xí)法

上兩節(jié)的方法都是對弱學(xué)習(xí)器的結(jié)果做平均或者投票，相對比較簡單，但是可能學(xué)習(xí)誤差較大，于是就有了學(xué)習(xí)法這種方 法，對于學(xué)習(xí)法，代表方法是stacking，當(dāng)使用stacking的結(jié)合策略時，我們不是對弱學(xué)習(xí)器的結(jié)果做簡單的邏輯處理，  而是再加上一層學(xué)習(xí)器，也就是說，我們將訓(xùn)練集弱學(xué)習(xí)器的學(xué)習(xí)結(jié)果作為輸入，將訓(xùn)練集的輸出作為輸出，重新訓(xùn)練一 個學(xué)習(xí)器來得到最終結(jié)果。

在這種情況下，我們將弱學(xué)習(xí)器稱為初級學(xué)習(xí)器，將用于結(jié)合的學(xué)習(xí)器稱為次級學(xué)習(xí)器。對于測試集，我們首先用初級學(xué) 習(xí)器預(yù)測一次，得到次級學(xué)習(xí)器的輸入樣本，再用次級學(xué)習(xí)器預(yù)測一次，得到最終的預(yù)測結(jié)果。

總結(jié)

Bagging和Boosting都是把若干個分類器整合為一個分類器的集成學(xué)習(xí)方法，只是整合的方式不一樣，最終得到不一樣  的效果。下面是將決策樹與這些算法框架進行結(jié)合所得到的新的算法：

1.Bagging + 決策樹 = 隨機森林

2.AdaBoost + 決策樹 = 提升樹

3.Gradient Boosting + 決策樹 = GBDT

其中GBDT在達觀數(shù)據(jù)個性化推薦重排序?qū)拥玫胶芎玫貞?yīng)用。

作者：陳祥龍

達觀數(shù)據(jù)數(shù)據(jù)挖掘工程師，畢業(yè)于復(fù)旦大學(xué)計算機科學(xué)與技術(shù)專業(yè)，現(xiàn)主要負責(zé)大型私有化推薦項目部署工作。

 【本文為51CTO專欄作者“達觀數(shù)據(jù)”的原創(chuàng)稿件，轉(zhuǎn)載可通過51CTO專欄獲取聯(lián)系】

戳這里，看該作者更多好文