[[327734]]

基于用戶畫像進行廣告投放，是優(yōu)化投放效果、實現(xiàn)精準營銷的基礎;而人口屬性中的性別、年齡等標簽，又是用戶畫像中的基礎信息。那該如何盡量準確的為數(shù)據(jù)打上這些標簽?

這時候機器學習就派上用場了。本文將以性別標簽為例，介紹人口屬性標簽預測的機器學習模型構建與優(yōu)化。

性別標簽預測流程

通常情況下，無監(jiān)督學習不僅很難學習到有用信息，而且對于學習到的效果較難評估。所以，如果可以，我們會盡可能地把問題轉化成有監(jiān)督學習。

對于性別標簽也是如此，我們可以使用可信的性別樣本數(shù)據(jù)，加上從TalkingData收集的原始數(shù)據(jù)中提取出來的有用信息，將性別標簽的生產任務轉化成有監(jiān)督機器學習任務。更具體來說，男/女分別作為1/0標簽(Label，也就是常說的Y值，為了方便表達，我們標記男/女分別為1/0標簽)，這樣性別標簽的任務就轉化成了二分類任務。

性別標簽的生產流程圖如下：

• 簡單來說，輸入為具有可信性別信息的樣本數(shù)據(jù)，以及從近期活躍的原始數(shù)據(jù)中提取出有用特征;
• 將兩者join之后，得到可以直接用于建模的數(shù)據(jù)集;
• 基于該數(shù)據(jù)集進行建模，學習出性別預測模型;
• 再用該模型對全部樣本進行預測，從而得到所有樣本的性別打分。至此，模型部分的工作基本完成;
• 最后一步是確定閾值，輸出男/女標簽。這里我們不依賴模型確定閾值，而是借助比較可信的第三方工具，保證在期望準確度(precision)下，召回盡可能多的樣本。

另外，面對TalkingData十幾億的數(shù)據(jù)體量，在標簽生產的過程中，為了加速運算，除了必須用單機的情況下，我們都會優(yōu)先采用Spark分布式來加速運算。

特征與模型方法的版本迭代

為了優(yōu)化模型的效果，我們又對該性別標簽預測模型進行了多次迭代。

01性別預測模型V1

模型最初使用的特征包括4個維度：設備應用信息、嵌入SDK的應用包名、嵌入SDK的應用內自定義事件日志以及設備機型信息。

模型采用Xgboost(版本為0.5)，基于每個維度的特征分別訓練模型，得到4個子模型。每個子模型會輸出基于該特征維度的設備男/女傾向的打分，分值區(qū)間從0到1，分值高代表設備為男性傾向，反之則為女性傾向。模型代碼示例如下：

<左右滑動查看完整代碼>

import com.talkingdata.utils.LibSVM 
 import ml.dmlc.xgboost4j.scala.DMatrix 
 import ml.dmlc.xgboost4j.scala.spark.XGBoost//version 0.5 
 
 //train stage 
 val trainRDD = LibSVM.loadLibSVMFile(sc, trainPath)// sc為SparkContext 
 val model = XGBoost.train(trainRDD, paramMap, numRound, nWorkers = workers) 
 
 
 //predict stage 
 val testSet = LibSVM.loadLibSVMFilePred(sc,testPath,-1,sc.defaultMinPartitions) 
 val pred = testSet.map(_._2).mapPartitions{ iter => 
         model.value.predict(new DMatrix(iter)).map(_.head).toIterator 
     }.zip(testSet).map{case(pred, (tdid, feauture)) => 
         s"$tdid\t$pred" 
     } 

缺點及優(yōu)化方向：

• 模型為四個子模型的融合，結構較復雜，運行效率較低，考慮改為使用單一模型;
• 嵌入SDK的應用內自定義事件日志特征覆蓋率低，且ETL處理資源消耗大，需重新評估該字段對模型的貢獻程度;
• 發(fā)現(xiàn)設備名稱字段看上去有男/女區(qū)分度——部分用戶群體會以名字或者昵稱命名設備名(例如帶有“哥”“軍”等字段的傾向為男性，帶有“妹”“蘭” 等字段的傾向為女性)，驗證效果并考慮是否加入該字段。

02性別預測模型V2

對模型使用特征的4個維度進行了調整，改為：嵌入SDK的應用包名、嵌入SDK的應用AppKey、設備機型信息以及設備名稱。

其中，對嵌入SDK的應用包名和設備名稱做分詞處理。再使用CountVectorizer將以上4類特征處理成稀疏向量(Vector)，同時用ChiSqSelector進行特征篩選。

模型采用LR(Logistic Regression)，代碼示例如下：

<左右滑動查看完整代碼>

import org.apache.spark.ml.feature.VectorAssembler 
   import org.apache.spark.ml.PipelineModel 
   import org.apache.spark.ml.classification.LogisticRegression 
 
   val transformedDF = spark.read.parquet("/traindata/path")//分詞、CountVectorizer、ChiSqSelector操作之后的特征，為vector列 
 
   val featureCols = Array("packageName","appKey", "model", "deviceName")                   
   val vectorizer = new VectorAssembler(). 
                     setInputCols(featureCols). 
                     setOutputCol("features") 
   val lr = new LogisticRegression() 
   val pipeline = new Pipeline().setStages(Array(vectorizer, lr)) 
   val model = pipeline.fit(transformedDF) 
 
   //predict stage 
   val transformedPredictionDF = spark.read.parquet("/predictData/path")//同train一致，為分詞、CountVectorizer、ChiSqSelector處理之后的特征，為vector列 
   val predictions = model.transform(transformedPredictionDF) 

優(yōu)點及提升效果：

采用單一的模型，能夠用常見的模型評估指標(比如ROC-AUC， Precision-Recall 等)衡量模型，并在后續(xù)的版本迭代中作為baseline，方便從模型角度進行版本提升的比較。

缺點及優(yōu)化方向：

LR模型較簡單，學習能力有限，后續(xù)還是替換成更強大的模型，比如Xgboost模型。

03性別預測模型V3

模型所使用的特征，除了上個版本包括的4個維度：嵌入SDK的應用包名、嵌入SDK的應用AppKey、設備機型信息以及設備名稱，又增加了近期的聚合后的設備應用信息，處理方式與上個版本類似，不再贅述。

模型從LR更換成Xgboost(版本為0.82)，代碼示例如下：

<左右滑動查看完整代碼>

import org.apache.spark.ml.feature.VectorAssembler 
 import ml.dmlc.xgboost4j.scala.spark.XGBoostClassifier//version 為0.82 
 
 val transformedDF = spark.read.parquet("/trainData/path")//分詞、CountVectorizer操作之后的特征，為vector列 
 
 val featureCols = Array("packageName","appKey", "model", "deviceName")                   
 val vectorizer = new VectorAssembler(). 
                   setInputCols(featureCols). 
                   setOutputCol("features") 
 val assembledDF = vectorizer.transform(transformedDF) 
 
 //traiin stage 
 //xgboost parameters setting 
 val xgbParam = Map("eta" -> xxx, 
    "max_depth" -> xxx, 
    "objective" -> "binary:logistic", 
    "num_round" -> xxx, 
    "num_workers" -> xxx) 
 val xgbClassifier = new XGBoostClassifier(xgbParam). 
     setFeaturesCol("features"). 
     setLabelCol("labelColname") 
 
 model = xgbClassifier.fit(assembledDF) 
 
 //predict stage 
 val transformedPredictionDF = spark.read.parquet("/predictData/path")//同train一致，為分詞、CountVectorizer操作之后的特征，為vector列 
 val assembledpredicDF = vectorizer.transform(transformedPredictionDF) 
 val predictions = model.transform(assembledpredicDF) 

優(yōu)點及提升效果：

• 相比上個版本，AUC提升了6.5%，在最終的性別標簽生產中召回率提升了26%?？紤]到TalkingData的十幾億的數(shù)據(jù)體量，這個數(shù)值還是很可觀的。

04性別預測模型V4

除了上個版本包括的5個特征維度，還添加了TalkingData自有的三個廣告類別維度的特征，雖然廣告類別特征覆蓋率僅占20%，但對最終標簽的召回率的提升也有著很大的影響。

模型由Xgboost替換成DNN，設置最大訓練輪數(shù)(Epoch)為40，同時設置了early stopping參數(shù)。考慮到神經網絡能工作是基于大數(shù)據(jù)的，因此我們將用于訓練的樣本量擴充了一倍，保證神經網絡的學習。

DNN的結構如下：

<左右滑動查看完整代碼>

python 
   GenderNet_VLen( 
     (embeddings_appKey): Embedding(xxx, 64, padding_idx=0) 
     (embeddings_packageName): Embedding(xxx, 32, padding_idx=0) 
     (embeddings_model): Embedding(xxx, 32, padding_idx=0) 
     (embeddings_app): Embedding(xxx, 512, padding_idx=0) 
     (embeddings_deviceName): Embedding(xxx, 32, padding_idx=0) 
     (embeddings_adt1): Embedding(xxx, 16, padding_idx=0) 
     (embeddings_adt2): Embedding(xxx, 16, padding_idx=0) 
     (embeddings_adt3): Embedding(xxx, 16, padding_idx=0) 
     (fc): Sequential( 
       (0): Linear(in_features=720, out_features=64, bias=True) 
       (1): BatchNorm1d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) 
       (2): ReLU() 
       (3): Dropout(p=0.6) 
       (4): Linear(in_features=64, out_features=32, bias=True) 
       (5): BatchNorm1d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) 
       (6): ReLU() 
       (7): Dropout(p=0.6) 
       (8): Linear(in_features=32, out_features=16, bias=True) 
       (9): BatchNorm1d(16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True) 
       (10): ReLU() 
       (11): Dropout(p=0.6) 
       (12): Linear(in_features=16, out_features=2, bias=True) 
     ) 
   ) 

優(yōu)點及提升效果：

• 與上個版本對比，AUC僅提升了1.5%，但在最終性別標簽生產中的召回率提升了13%，考慮數(shù)據(jù)體量以及現(xiàn)有的標簽體量，這個提升還是不錯的。由此可以看出，在驗證版本迭代效果的時候，我們不應該僅僅從模型的AUC這單一指標來衡量，因為這對版本迭代的效果提升程度衡量不夠準確。我們應該驗證最終的、真正的指標提升情況——在性別標簽預測中，是期望準確度(precision)下召回的樣本數(shù)量。但我們仍然可以在版本優(yōu)化時使用AUC等模型相關指標，來快速驗證控制變量的實驗效果，畢竟這些指標容易計算。

模型探索小建議

從原始日志當中抽取字段聚合成信息，需要經過很多步ETL，也會涉及很多優(yōu)化方式，這部分有專門的ETL團隊負責，在這里不做過多介紹。

模型團隊可以直接使用按時間聚合之后的字段進行建模任務，盡管如此，ETL和特征生成所花費的時間，也占據(jù)了模型優(yōu)化和迭代的大部分時間。

下面總結兩個優(yōu)化方面的坑和解決經驗，希望能給大家一些參考。

1.對于性別標簽預測，輸入的特征大部分為Array類型，比如近期采集到的設備應用信息。對于這種類型的字段，在訓練模型之前，我們一般會調用CountVectorizer將Array轉成Vector，然后再作為模型的輸入，但是CountVectorizer這一步非常耗時，這導致我們在版本迭代時不能快速實驗。

針對該問題，我們可以事先完成這一步轉換，然后將生成的Vector列也存儲下來，這樣在每次實驗時，就可以節(jié)省CountVectorizer消耗的時間。

在實際生產中，因為有很多標簽的生產都會用到同樣的字段，事先將Array轉成Vector存儲下來，后續(xù)不同任務即可直接調用Vector列，節(jié)省了很多時間。

2.雖然第一條能夠節(jié)省不少時間，但Spark還是更多用于生產。其實在模型前期的探索當中，我們也可以先用Spark生成訓練集——因為真實樣本通常不會很多，生成的訓練集往往不是很大，這時我們就可以用單機來進行快速實驗了。

在單機上，我們可以使用Python更方便的畫圖來更直觀的認識數(shù)據(jù)，更快的進行特征篩選，更快的驗證想法。在對數(shù)據(jù)、對模型有了深入的了解之后，我們就可以把實驗所得的結論快速應用到生產當中。

作者簡介：張小艷，TalkingData數(shù)據(jù)科學家，目前負責企業(yè)級用戶畫像平臺的搭建以及高效營銷投放算法的研發(fā)，長期關注互聯(lián)網廣告、用戶畫像、欺詐檢測等領域。