Tencent_Social_Ads2018

2018腾讯社交广告33名的nn方案,单模75+(主要是分享下方案和pytorch的网络)

特征工程

• 原始特征低频hash处理
• 多值特征训练时truncate、网络里做pooling,truncate 参数如下：

  bag_feats = ['kw1','kw2','kw3','topic1','topic2','topic3',
        'appIdAction','appIdInstall',
        'interest1',
        'interest2',
        'interest3',
        'interest4',
        'interest5']
  bag_value_cnts =[5, 5, 5, 5, 5, 5, 50, 50, 35, 30, 10, 10, 70]

• 增加用户的全集出现次数特征
• 统计特征主要用了下面3个，直接分箱（下面3个特征可以提1-1.5个千，因为提特征和编码过程和其他无用特征混在一起，所以训练和提特征我删除了下面3个特征）：
  • aid_age_mean,uid_creativeSize_mean,aid_creativeSize_mean

网络

• lr
• fm
• cin(xdeepfm,复现参考的tensorflow版，跟原论文有点出入)
• din(代替多值特征的mean pooling,max pooling没有尝试，目前网络支持mean pooling 和din共存;复现参考的tensorflow版，跟原论文有点出入)
• dnn

训练过程（主要解释TSADSDataset.py）:

1. pytorch的DataLoader在多进程使用时会出现copy and write的情况（其实这个情况我暂时没有搞的明白，尝试了很多写法都没有解决），初赛数据直接就可以训练了，复赛数据压根训不起来，所以对需要训练的数据切分成10分，分10份依次训练。
2. 为了处理多值特征偏长的情况（其实如果其他特征工程做得好的话，truncate直接取10差不多的），对于每个多值特征采用字符串的形式保存，并做训练时解析、random truncate.
3. 类别特征做的是线上stack,方便新增新的类别特征

训练时间：

总共5个epoch收敛，每个epoch在4核大概1-1.5小时

损失函数

• 交叉熵ce
• focalloss(这个线下精细调参的话可以比ce的1个千，但直接用跟ce同样参数一般都是掉几个千)，主要用于融合

环境配置

• Ubuntu 16.04
• python 3.6
• pytorch 0.4.0(0.2.x,0.3.x版本不支持，主要是不支持torch.where这个api)
• sklearn:0.19.1
• glob
• GPU: 12G(8G的应该能跑，训练集batch_size=8192时，训练显存占用5G+,验证的batch_size调小应该可以的)
• Memory: >140G(主要是多值特征编码合并多列时需要用较大的内存，训练时130G内存可以同时训练2个)
• disk: about 300G（tmp文件夹就有200+G主要是一些临时文件想重复用就没删掉）
• number of process: >4(单核能跑，只是比较慢)

目录介绍

• /preprocess/:
  • 0_user_feat_transform.py：流式转化初赛和复赛的.data文件为.csv格式
  • 1_slice_merge.py：合并复赛数据（将数据切成两片，分开merge再concat）
• /feature/:
  • 2_get_feat_low_case_split_with_pre.py: 提取特征、编码、切分训练验证集
• /train_dl_with_pre：
  • 3-train_add_feature_0612.py：训练
  • 4-test_din_xdeepfm_addFeat_0612.py：测试
• /data/：
  • /final/:
    • /merged/: 切片后保存的临时文件以及merged后的原始复赛数据
  • /preliminary_contest_data/:原始初赛数据
• /tmp/：
  • /0610_get_feat_with_pre/
    • /sub/: 初赛复赛训练集以及测试集的instance id
    • /encoded_lowcase_hash200/
      • merged_bag.csv：merge后的复赛多值特征预处理原始特征
      • merged_cate.csv:merge后的复赛类别特征预处理原始特征
      • pre_merged_bag.csv：merge后的初赛多值特征预处理原始特征
      • pre_merged_cate.csv:merge后的初赛类别特征预处理原始特征
      • .pkl: 全数据集各种编码后的单列特征
      • /pkl/
        • /bag_enc_dict/：多值特征编码器
        • /cate_encoder/：类别特征编码器
      • /split/
        • /trains/:
          • .pkl: 初赛复赛训练集各种编码后的单列特征（已经切分）
          • /instance_ids/： 训练集instance id（已经切分）
          • /merged/:
            • x_bag.pkl: concat后的复赛多值特征（已经编码了）
            • pre_x_bag.pkl: concat后的初赛多值特征（已经编码了）
        • /test1/:
          • .pkl: 测试集各种编码后的单列特征
          • /merged/:
            • bag.pkl: concat后的所有多值特征（已经编码了）
        • /test2/: 同test1
    • merged_bag.csv：merge后的复赛多值特征原始数据
    • merged_cate.csv:merge后的复赛类别特征原始数据
    • pre_merged_bag.csv：merge后的初赛多值特征原始数据
    • pre_merged_cate.csv:merge后的初赛类别特征原始数据
    • labels.pkl: 复赛的标签
    • pre_labels.pkl:初赛的标签

最终成绩

类似k折验证训练了10+个模型，融合lgb,libffm，线上auc:0.7609