当前位置：首页 > article >正文

DeepCross模型实现推荐算法

article 2024/9/23 0:25:29

1. 项目简介

A032-DeepCross项目是一个基于深度学习的推荐算法实现，旨在解决个性化推荐问题。随着互联网平台上信息和内容的爆炸式增长，用户面临着信息过载的困境，如何为用户提供高效、精准的推荐成为了关键。该项目背景基于现代推荐系统的发展，利用用户行为数据和内容特征，来生成符合用户偏好的推荐结果。项目使用的核心模型是DeepCross模型，这是一种结合了深度神经网络（DNN）和交叉特征结构的混合模型。DeepCross模型通过对用户和物品的特征进行嵌入，并应用交叉特征层来捕捉不同特征之间的高阶交互，进而提升推荐精度。与传统的矩阵分解模型相比，DeepCross模型能够更好地处理非线性关系，适用于处理大量的稀疏数据，广泛应用于电商、社交平台、内容推荐等场景。通过该项目的实现，目标是优化现有推荐算法的效果，并为用户提供更精准的个性化内容推荐体验。

在这里插入图片描述

2.技术创新点摘要

混合架构： DeepCross模型结合了两种架构的优势：深度神经网络（DNN）和交叉网络。DNN用于捕捉特征之间的高阶非线性交互，而交叉网络则高效地建模不同层次的特征交叉，避免了手动特征工程的复杂性。这种模型的融合能够更好地表示特征交互，提升推荐系统捕捉数据中低阶和高阶模式的能力。

高效的特征交叉层： 交叉网络引入了一种独特的特征交互机制，通过在每一层计算输入特征的交叉积来实现。这一过程允许模型在保持计算效率的同时，明确地建模原始特征之间的交互关系。与传统的基于多项式的模型不同，交叉网络能够建模高阶交互，而不会导致参数数量的指数级增加。

StepRunner和EpochRunner类的模块化训练： 代码中实现的StepRunner和EpochRunner类将训练过程模块化，使得管理单个步骤和基于epoch的更新变得更加简便。这种结构为集成优化技术（如学习率调度器和训练过程中的评估指标）提供了灵活性，使得该模型能够更好地适应不同的数据集和训练需求。

正则化与性能监控： 在整个训练过程中，模型有效地集成了正则化策略，并监控关键性能指标。例如，模型通过AUC（曲线下面积）等指标来跟踪性能，确保模型在训练过程中持续优化，减少过拟合的风险，并确保模型在处理未见数据时具备良好的泛化能力。

3. 数据集与预处理

在DeepCross模型项目中，数据集来源于某个推荐系统领域，包含用户行为数据和物品特征数据。该数据集的特点包括：高维、稀疏性较强，且包含大量的类别型特征（如用户ID、物品ID、性别、地区等）。这种类型的数据集通常具有大量离散化的特征，需要有效的预处理和特征工程，以提高模型的性能。

数据预处理流程主要包括以下几个步骤：

缺失值处理：首先，对数据中的缺失值进行处理。某些数值型特征的缺失值可以用均值、中位数或其他统计值进行填充，而类别型特征可以用特殊的“未知”类别进行标记。
特征编码：由于类别型特征不能直接输入到模型中，需要将其转换为数值形式。常用的编码方式包括独热编码（One-Hot Encoding）和嵌入表示（Embedding） 。对于高维类别型特征，模型采用嵌入方式，将每个类别映射到一个低维的向量空间中，从而减少计算量并保留更多的特征信息。
归一化：数值型特征通常需要进行归一化处理，将不同量级的特征值缩放到同一范围，以避免某些特征对模型的影响过大。常用的归一化方法包括最小-最大缩放和标准化。
特征交叉：特征工程的重要环节是进行特征交叉，通过组合不同的特征来生成新的交叉特征。这一过程能够捕捉不同特征之间的潜在关系，有助于提高模型的预测性能。DeepCross模型利用其特有的交叉网络结构，自动完成特征交叉的过程，避免了手动设计交叉特征的复杂性。
数据拆分：为了评估模型的性能，数据集通常会按照一定比例拆分为训练集、验证集和测试集。在本项目中，使用了标准的80/20的拆分比例，将大部分数据用于训练模型，其余用于验证和测试模型的泛化能力。

4. 模型架构

从代码中可以看出，模型是基于DeepCross模型的实现，具体使用了CrossNetMatrix模块来构建Deep Cross V2（DCNV2）模型。下面是关于模型架构的详细解释：

1. 模型结构的逻辑

该模型的结构包括两大部分：交叉网络（Cross Network） 和 多层感知机（MLP，Multi-Layer Perceptron） 。具体架构如下：

输入层：
1. 输入包括两类特征：数值型特征和类别型特征。
2. 对数值型特征，直接输入至网络中，记为 Xnum。
3. 对类别型特征，采用嵌入表示（Embedding），将类别型特征映射为低维稠密向量，记为 Xcat。这些嵌入向量的维度为 dembed。
交叉网络（Cross Network） ：
1. 交叉网络的主要作用是捕捉特征之间的高阶交互，避免手动特征工程。
2. 模型使用的是CrossNetMatrix，其中每一层的计算公式为：
3. $\mathbf{x}_{l+1} = \mathbf{x}_0 \mathbf{x}_l^T \mathbf{W}_l + \mathbf{b}_l + \mathbf{x}_l$
4. 其中，xl\mathbf{x}_lxl 是第 lll 层的输入特征，Wl\mathbf{W}_lWl 是该层的权重矩阵，bl\mathbf{b}_lbl 是偏置项，x0\mathbf{x}_0x0 是初始输入特征。通过这一操作，模型在不同层次上交叉输入特征，捕捉特征间的多阶交互。
多层感知机（MLP） ：
1. 交叉网络输出的特征被传入多层感知机（MLP），用于进一步捕捉特征的非线性关系。
2. MLP的结构为多层全连接层，使用ReLU激活函数，层与层之间加入了Dropout以防止过拟合。
3. 1. $\mathbf{h}_{i+1} = \text{ReLU}(\mathbf{W}_i \mathbf{h}_i + \mathbf{b}_i)$
4. 其中 Wi\mathbf{W}_iWi 和 bi\mathbf{b}_ibi 分别是第 iii 层的权重矩阵和偏置项，hi\mathbf{h}_ihi 是第 iii 层的输出。
输出层：
1. 最终输出层使用Sigmoid激活函数，输出为一个概率值，表示样本属于某个类别的概率： $\hat{y} = \sigma(\mathbf{W}_{\text{out}} \mathbf{h} + \mathbf{b}_{\text{out}})$
2. 其中 σ是Sigmoid函数，Wout是输出层的权重矩阵。

2. 模型的整体训练流程

损失函数：模型使用二元交叉熵损失（Binary Cross-Entropy Loss）来衡量预测结果与真实标签之间的差距。其公式为：
$\mathcal{L} = -\frac{1}{N} \sum_{i=1}^N [y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i)]$
其中，NNN 是样本数量，yiy_iyi 是真实标签，y^i\hat{y}_iyi 是模型预测的概率值。
优化器：模型使用Adam优化器进行训练，自动调整学习率以加快收敛速度。
评估指标：模型主要使用AUC（ROC曲线下面积）作为评估指标。AUC衡量了模型区分正负样本的能力，AUC值越高，说明模型性能越好。

5. 核心代码详细讲解

1. 数据预处理和特征工程

from sklearn.preprocessing import LabelEncoder, QuantileTransformer
from sklearn.pipeline import Pipeline 
from sklearn.impute import SimpleImputer 
dfdata = pd.read_csv("/home/mw/input/eat_pytorch_datasets3807/eat_pytorch_datasets/eat_pytorch_datasets/criteo_small.zip",sep="\t",header=None)
dfdata.columns = ["label"] + ["I"+str(x) for x in range(1,14)] + ["C"+str(x) for x in range(14,40)]
cat_cols = [x for x in dfdata.columns if x.startswith('C')]
num_cols = [x for x in dfdata.columns if x.startswith('I')]
num_pipe = Pipeline(steps = [('impute', SimpleImputer()), ('quantile', QuantileTransformer())])

for col in cat_cols:
    dfdata[col] = LabelEncoder().fit_transform(dfdata[col])
dfdata[num_cols] = num_pipe.fit_transform(dfdata[num_cols])
categories = [dfdata[col].max() + 1 for col in cat_cols]

LabelEncoder: 将类别型特征编码为整数，便于模型处理。
SimpleImputer: 用于填充数值型特征中的缺失值。
QuantileTransformer: 将数值型特征进行分位数归一化处理，将数据转换为均匀分布。
Pipeline: 将缺失值填充和归一化操作结合在一起，应用于数值型特征。
LabelEncoder应用于每个类别型特征，将其转换为数值。
最后计算categories: 通过统计每个类别型特征的最大值，生成类别数量列表，用于嵌入层的初始化。

2. 模型架构构建

def create_net():
    net = DeepCross(
        d_numerical= ds_train.X_num.shape[1],
        categories= ds_train.get_categories(),
        d_embed_max = 8,
        n_cross = 2, cross_type = "matrix",
        mlp_layers = [128,64,32], mlp_dropout=0.25,
        stacked = True,
        n_classes = 1
    )return net

DeepCross模型: 该模型由交叉网络和多层感知机（MLP）构成。
d_numerical: 数值特征的维度，输入到网络中的数值特征数量。
categories: 类别型特征的嵌入层信息，包含每个类别的类别数。
d_embed_max: 设置嵌入层的最大维度（8维），用于类别型特征嵌入。
n_cross: 设置交叉网络的层数（2层交叉层），用于高阶特征交叉。
cross_type: 使用的是交叉网络的"matrix"方式，即CrossNetMatrix。
mlp_layers: 设置MLP的层数及每层的节点数，分别为128, 64, 32。
mlp_dropout: 设置每层MLP的Dropout比例，防止过拟合。
stacked: 是否使用堆叠式的MLP结构。
n_classes: 设置模型的输出节点数，这里是二分类问题，因此输出节点为1。

3. 模型训练与评估

model = KerasModel(net,
                   loss_fn = nn.BCEWithLogitsLoss(),
                   metrics_dict = {"auc": AUC()},
                   optimizer = torch.optim.Adam(net.parameters(), lr=0.002, weight_decay=0.001)
                  )
dfhistory = model.fit(train_data=dl_train, val_data=dl_val, epochs=20, patience=5,
                      monitor = "val_auc", mode="max", ckpt_path='checkpoint.pt')
val_auc = roc_auc_score(labels.cpu().numpy(), preds.cpu().numpy())

KerasModel: 定义了深度学习模型的训练与评估流程，封装了模型、损失函数、评估指标、优化器等。
loss_fn: 使用二元交叉熵损失（BCEWithLogitsLoss），适合二分类任务。
metrics_dict: 设置AUC作为模型的评估指标。
optimizer: 使用Adam优化器，并且设置学习率为0.002，权重衰减参数为0.001。
model.fit: 开始训练模型，设置了训练和验证数据、训练轮次（20轮）、早停机制（5轮无提升则停止）和监控的指标（AUC）。
roc_auc_score: 计算模型在验证集上的AUC值，用于评估模型的性能。

6. 模型优缺点评价

优点：

高效的特征交叉：DeepCross模型通过交叉网络自动捕捉特征之间的高阶交互，避免了手动特征工程的复杂性。通过这种方式，模型能够有效处理类别型和数值型特征之间的关系，并在推荐任务中表现出色。
灵活的嵌入表示：模型对类别型特征使用了嵌入层，将高维的离散特征转换为低维的稠密表示，降低了模型的计算复杂度，同时保留了特征的语义信息。
多层感知机（MLP）的非线性建模能力：MLP能够进一步提取非线性特征，增强模型对复杂数据的表达能力，从而提升预测精度。
AUC评估指标：使用AUC作为模型性能的评估指标，适合二分类任务，能够较好地衡量模型的区分能力。

缺点：

过拟合的潜在风险：虽然模型使用了Dropout等正则化技术，但在处理小数据集时，仍然存在过拟合的风险。特别是当MLP层数较多时，模型容易拟合训练数据，但在测试数据上的表现可能不理想。
对类别型特征处理的局限性：尽管嵌入层能够有效处理类别型特征，但对于类别数量过多或过少的特征，嵌入维度的选择可能不够灵活，导致信息丢失或计算资源浪费。
模型复杂性高：由于模型结合了交叉网络和MLP，计算复杂度较高，尤其是当数据量大时，训练时间和资源需求较大。