概述
1.GBDT+LR
14年Facebook发表了广告推荐系统论文Practical Lessons from Predicting Clicks on Ads at Facebook ，提出了经典的GBDT+LR模型。
系统输入：用户（User）、广告（Ad）、上下文（Context）
GBDT构建特征工程和LR预测CTR两步采用相同的优化目标独立训练，GBDT和LR采用不同的更新频率，GBDT部分几天更新一次，LR部分准实时更新。实时数据流架构（online data joiner）服务于模型的准实时训练和特征的准实时更新。
准实时更新实施注意点：
- waiting window（数据等待窗口）的设定，指在曝光（impression）发生后，要等待多久才能判定一个曝光行为是否产生了对应的点击
- 分布式架构与全局统一的action id（行为id）
- 数据流保护机制，未做保护机制时，一旦data joiner由于某些异常失效，所有样本均会变成负样本，故Facebook建立了异常检测机制，一旦发现实时样本流的数据发生变化，将立即切断在线学习过程。
工程
- 将采样：均匀采样，负采样
- 负采样会带来CTR预估值的漂移，设真实CTR是0.1%，进行0.01的负采样之后，CTR将会攀升到10%左右。需要对CTR做校准。
最后
以上就是怕孤独帅哥为你收集整理的深度学习推荐系统笔记之前沿实践1.GBDT+LR的全部内容，希望文章能够帮你解决深度学习推荐系统笔记之前沿实践1.GBDT+LR所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复