在先薦推薦系統學院|第1期的分享中，第四范式資深研究員羅遠飛針對推薦系統中的高維稀疏數據，介紹了如何在指數級搜索空間中，高效地自動生成特征和選擇算法；以及如何結合大規模分布式機器學習系統，在顯著降低計算、存儲和通信代價的情況下，從數據中快速篩選出有效的組合特征。

以下是羅遠飛在先薦推薦系統學院第一期線上活動中的技術分享：

大家好！我是第四范式的羅遠飛！?

很高興能有機會和大家一起交流關于自動機器學習方面的一些工作。?我在第四范式的工作大都和自動機器學習相關，之前的精力主要集中在自動特征工程。雖然模型改進能夠帶來穩定的收益，但是更為困難。?所以如果是在做一個新的業務，?可以先嘗試從做特征入手，特征工程往往能夠帶來更明顯的收益。

AutoCross的背景

??本次報告所提及的自動機器學習，是針對表數據的自動機器學習。?表數據是一個經典的數據格式，它一般包含多列，列可能對應離散特征或者連續特征。?我們不能將用于圖像、語音或者NLP中的模型直接拿過來用，需要做特定的優化。?

本次報告提及的特征組合，特指featurecrossing，即兩個離散特征的笛卡爾積。以“去過的餐廳”為例，我經常去麥當勞，?那么我和麥當勞可以做為一個組合特征；再比如我去肯德基，則我和肯德基也可做為一個組合特征。

本次報告提及的自動特征工程，是指?自動從上表數據中發現這些有效的組合特征。比如我是一位軟件工程師，是一個特征；在第四范式工作，是另外一個特征。這兩個特征是分成兩列儲存的，我們可以把?這兩列組合成一個新的特征，?這個特征的指示性更強，更具有個性化。?

為什么需要自動特征工程呢？

首先，特征對建模效果有著非常重要的作用。其次，客戶的場景遠比建模專家多，?如我們的先薦業務有上千家媒體，我們不能給每個業務都配備一個專家，針對每一個場景人工去建模。最后，即使只有一個業務，數據也是多變的，面臨的場景也是不停變化的，?所以我們要做自動特征工程，?不能讓人力和我們的業務量呈正比。

AutoCross的相關研究

自動特征工程主要分為兩大類，一類是顯式特征組合，?另一類是隱式特征組合。

顯式的特征組合

顯式的特征組合有兩個代表性工作，分別是RMI[2]和CMI[3]。其中字母“MI”代表互信息（MutualInformation），是一個經典的特征選擇的方法。?

MI是通過統計同一個數據中，兩列特征的出現頻率和共現頻率計算得到。但是RMI的做法是在訓練集合統計一部分信息，在另外一部分成為reference數據上統計另外一部分信息，這也是“R”的來源。上圖?來自于RMI的論文[2]，表示隨著不同的?組合特征加進去，然后AUC逐漸地上漲。?CMI是另外一個經典的工作，CMI通過分析對率損失函數，結合牛頓法，計算出每個特征的重要性。

它們都取得了不錯的效果。但一方面，它們只考慮二階特征組合；另外，它們均為串行算法，每次選擇一個組合特征后，都需把其他特征重新訓練一遍，是O(n^2)復雜度，其中n為特征數目。?此外，MI本身不允許一個特征下同時出現多個取值。?

隱式的特征組合

另外一類是隱式特征組合，大家可能更熟悉一些。FM[4]和FFM[5]是枚舉所有的?二階特征組合，它們組合方式是用低維空間中的內積去代表兩個特征的組合，取得了很好的效果。?隨著DL的興起，現在更流行基于DNN做隱式特征組合。但是它的可解釋性不強，一直被大家詬病。

我們提出AutoCross[1]，它具有很強的可解釋性，能夠做到高階特征組合，同時具有較高的Inference效率。

AutoCross整體結構

從左往右看，?AutoCross的輸入是數據和對應的特征類型，然后經過AutoCross的Flow，?輸出一個特征生成器，能夠把學到的特征處理方式應用于新數據。

?Flow里主要有三個部分，首先是預處理，?然后是組合特征生成和組合特征選擇的迭代過程。?針對數據預處理，我們提出了多粒度離散化；針對怎么從指數級空間中有效的生成組合特征，?我們用了集束搜索（BeamSearch）；針對如何有效且低代價地特征選擇，我們提出了逐域對數幾率回歸（Field-wiseLR）和連續小批量梯度下降（SuccessiveMini-batchGD）兩種方法。?

AutoCross算法

下面我們看一下每個過程所涉及的算法。?

首先是數據預處理，數據預處理的目的是補充缺失值，并將連續特征離散化。我們觀察到?，對于連續特征，在離散化的時候，如果選擇的離散化粒度不一樣，其效果會差別非常大。?甚至在一個數據集上觀察到AUC有10個百分點的差異。如果對每一個數據集都手動設置最優的離散化粒度，代價比較高，也不現實。

基于此我們提出了多粒度離散化方法，同時使用多種粒度去離散化同一個特征，比如特征“年齡”，我們按照年齡間隔為5的離散化一次，年齡間隔為10的離散化一次，?年齡間隔為20的再離散化一次，同時生成多個不同的離散化特征，讓模型自動去選擇最適合它的特征。

集束搜索（BeamSearch）

如前文所述，假設有n個原始特征，?那么可能的k階特征有O(n^k)個，這是?一個指數級增長的過程。?如何在這個空間中有效地去搜索、生成、組合特征呢？如果都生成，在計算和存儲上都不太可行。?

我們借鑒集束搜索（BeamSearch）的方法來解決該問題。它的工作原理是，先生成一部分二階組合特征，?然后用效果好的二階組合特征去衍生三階組合特征，并非生成所有的三階組合特征，相當于一種貪心的搜索方法。

逐域對數幾率回歸（Field-wiseLR）

我們通過多粒度離散化對數據進行預處理，之后通過集束搜索縮減搜索空間。

但生成的特征依然數量眾多，怎么才能快速、低代價地從生成特征中選出有效的特征呢？對此，我們提出了逐域對數幾率回歸（Field-wiseLR）算法，固定已選特征對應的模型參數，?然后計算候選特征中哪個特征?加進來，能夠最大程度的提升模型效果。這樣做能夠顯著節約計算、通信和存儲上的開銷。?

?連續小批量梯度下降（SuccessiveMini-batchGD）

為了進一步降低特征評估成本，我們又提出了連續小批量梯度下降（SuccessiveMini-batchGD）方法。在小批量梯度下降的迭代過程中，逐漸淘汰不顯著的候選特征，并給予較重要的特征更多批的數據，以增加其評估準確性。

?AutoCross-System優化

下面介紹我們在系統上做的一些優化。

緩存特征權重

從算法上來看，我們的?系統是一個指數空間的搜索問題，即使能夠降低其復雜度，它的運算代價依然很大。因此我們會對數據采樣，并序列化壓縮存儲。

?之后，當運行逐域對數幾率回歸時，系統會把已經計算過的特征權重緩存下來。如果按照以前的方法，我們需要先從參數服務器上獲取已經生成特征的權重，?這一步會帶來網絡開銷；獲取之后要做運算，并生成該特征及預測，這一步會產生計算開銷；?生成特征之后，再存儲到硬盤中，進一步會產生存儲成本。?但是，我們把之前的那些特征的權重都給緩存下來，通過直接查表，就能夠降低網絡、計算、存儲的開銷。?

在線計算

除了緩存特征權重之外，我們還進行了在線計算。我們在做特征生成的同時，有獨立的線程去序列化數據和生成特征。

數據并行

此外，數據并行也是系統優化的常用方法。系統的每個進程中都有一份計算圖，并通過主節點，?或者參數服務器，保證它們之間有序地在進行各個操作。?

審核編輯 黃昊宇