项目介绍
给定查询和用户信息后预测广告点击率 搜索广告是近年来互联网的主流营收来源之一。在搜索广告背后，一个关键技术就是点击率预测-----pCTR(predict the click-through rate)，由于搜索广告背后的经济模型（economic model ）需要pCTR的值来对广告排名及对点击定价。本次作业提供的训练实例源于腾讯搜索引擎的会话日志(sessions logs), soso.com，要求学员们精准预测测试实例中的广告点击率。 训练数据文件TRAINING DATA FILE 训练数据文件是一个文本文件，里面的每一行都是一个训练实例（源于搜索会话日志消息）。 为了理解训练数据，下面先来看看搜索会话的描述。搜索会话是用户和搜索引擎间的交互，它由这几部分构成： 用户，用户发起的查询，一些搜索引擎返回并展示给用户的广告，用户点击过的0条或多条广告。为了更清楚地理解搜索会话，这里先介绍下术语：在一个会话中展示的广告数量被称为深度（depth）， 广告在展示列表中的序号称为广告的位置(position)。广告在展示时，会展示为一条短的文本，称之为标题（title），标题后跟着一条略长些的文本和一个URL，分别叫做描述(description)和展示链接（display URL）。 我们将每个会话划分为多个实例。每个实例描述在一种特定设置（比如：具有一定深度及位置值）下展示的一条广告。为了减少数据集的大小，我们利用一致的user id, ad id, query来整理实例。因此，每个实例至少包含如下信息： UserID AdID Query Depth Position Impression 搜索会话的数量，在搜索会话中广告（AdID）展示给了发起查询(query)的用户（UserID）。 Click 在上述展示中，用户（UserID）点击广告（AdID）的次数。 此外， 训练数据，验证数据及测试数据包含了更多的信息。原因是每条广告及每个用户拥有一些额外的属性。我们将一部分额外的属性包含进了训练实例，验证实例及测试实例中，并将其他属性放到了单独的数据文件中， 这些数据文件可以利用实例中的ids来编排索引。如果想对这类数据文件了解更多，请参考ADDITIONAL DATA FILES部分。 最后，在包括了额外特征之后，每个训练实例是一行数据（如下），这行数据中的字段由TAB字符分割： 1. Click： 前文已描述。 2. DisplayURL：广告的一个属性。 该URL与广告的title（标题）及description（描述）一起展示，通常是广告落地页的短链(shortened url)。 在数据文件中存放了该URL的hash值。 3. AdID: 前文已描述。 4. AdvertiserID ： 广告的属性。 一些广告商会持续优化其广告，因此相比其他的广告商，他们的广告标题和描述会更具魅力。 5. Depth：会话的属性，前文已描述。 6. Position： 会话中广告的属性，前文已描述。 7. QueryID： 查询的id。 该id是从0开始的整数。它是数据文件'queryid_tokensid.txt'的key。 8.KeywordID : 广告的属性。 这是 'purchasedkeyword_tokensid.txt'的key。 9.TitleID: 广告的属性。 这是 'titleid_tokensid.txt'的key。 10.DescriptionID：广告的属性。 这是'descriptionid_tokensid.txt'的key。 11. UserID 这是 'userid_profile.txt'的key。当我们无法确定一个用户时，UserID为0。 附加的数据文件ADDITIONAL DATA FILES 这里还有前面提到过的5个附加的数据文件： 1. queryid_tokensid.txt 2. purchasedkeywordid_tokensid.txt 3. titleid_tokensid.txt 4. descriptionid_tokensid.txt 5. userid_profile.txt 前4个文件每一行将id映射为一个记号列表，在query（查询）, keyword（关键字）, ad title（广告标题）及ad description（广告描述）中都是如此。 在每一行中，TAB字符将id及其他记号集分隔开。一个记号最基本可以是自然语言中的一个词。为了匿名，每个记号以hash后的值来表示。 字段以 ‘|’分割。 ‘userid_profile.txt’ 文件的每一行由UserID, Gender, 和 Age组成，用TAB字符来分隔。注意，并非训练集和测试集中的每个UserID都会出现在‘userid_profile.txt’文件中。每个字段描述如下： 1. Gender: '1' for male(男), '2' for female（女）, and '0' for unknown（未知）. 2. Age: '1' for (0, 12], '2' for (12, 18], '3' for (18, 24], '4' for (24, 30], '5' for (30, 40], and '6' for greater than 40（6代表大于40）. TESTING DATASET（测试数据集） 除了广告展示及广告点击的数量不同外，测试数据集与训练数据集的格式一致。 广告展示及广告点击次数用于计算先验的点击率（empirical CTR）。 训练集的子集用于在leaderboard上对提交或更新的结果进行排名。测试集用于选举最终冠军。用于生成训练集的日志与之前生成训练集的日志相同。
1. CTR预估的流程
数据 -》 预处理 -》特征抽取 -》模型训练 -》后处理
特征决定了达到好的评价指标的上限，模型决定了接近这个上限的程度。
2. 数据预处理
label匹配：展示日志和点击日志做一个join
采样: 负采样（广告点击率很低，随机丢弃一部分负样本
组合相关信息: 相关信息需要到别的文件中去找，所以需要组合相关信息。比如：如果需要查看某个query_id代表的是什么，需要去id号对应的txt中查询: cat queryid_tokensid.txt | awk '$1 == 14092{print $0}' | head
每次都这样操作会比较麻烦，所以需要直接把这些信息组合到训练数据中去。这就是数据预处理里面的特征组合：Join
2.1 join的shell命令是：
先对两个文件按照他们要join的对象进行排序：然后进行join。这个join的key会被放到文件的第一列。
awk详解：http://www.cnblogs.com/ggjucheng/archive/2013/01/13/2858470.html
sort详解：http://www.2cto.com/os/201304/203309.html
join详解：http://www.cnblogs.com/agilework/archive/2012/04/18/2454877.html
1 先sort 2 sort -t $' ' -k 7,7 train >train_sort 3 sort -t $' ' -k 1,1 queryid_tokensid.txt > queryid_sort 4 5 然后join 6 join -t $' ' -1 7 -2 1 -a 1 train_sort queryid_sort >train1
join之后看一下多少行，来验证是否join进去了。发现从11列变成了12列。代码如下：
1 head train | awk '{print NF} 显示11列 2 head train1 | awk '{print NF}显示12列
写了一个脚本来进行这几部操作，因为key列会跑到第一列，所以做了一下调整。join代码如下：
1 #! /bin/bash 2 sort -t $' ' -k "$2,$2" $1 >t1 3 4 sort -t $' ' -k "$4,$4" $3 >t2 5 6 join -t $' ' -1 $2 -2 $4 t1 t2 -a 1|awk -v n=$2 '{ 7 s=$2; 8 for(i=3;i<=n;++i){ 9 s=s" "$i 10 } 11 s=s" "$1; 12 for(i=n+1;i<=NF;++i){ 13 s=s" "$i 14 } 15 print s 16 }' 17 18 #rm -f t1 t2
使用join.sh对每一个文件进行join，命令如下：
bash join.sh train 7 queryid_tokensid.txt 1 > train1 bash join.sh train1 8 purchasedkeywordid_tokensid.txt 1 > train2 bash join.sh train2 9 titleid_tokensid.txt 1 > train3 bash join.sh train2 10 descriptionid_tokensid.txt 1 > train4 bash join.sh train4 11 userid_profile.txt 1 > train5
2.2 负采样代码
awk 'BEGIN{srand()}{if($1==1)print $0;if($1==0)if(rand() > 0.5)print $0}' train_combined > t 数一下行数： wc -l t wc -l train5
2.3 shuffle
洗牌一下。把train和validate数据给分出来：
这里的数据把train里面的数据分成7:3的训练数据和验证数据。
数据说明：train是用来调特征的。validate是用来做验证的，也就是把那个train_data所出来的weights来算一下validate。
1 clear 2 [s-44@CH-46 mydata2]$ sort -R train_combined > train_shuffle
head -n 700000 train_shuffle > train_data
tail -n 300000 train_shuffle > validate_data
3. 特征工程
用户特征：userid, gender, age
广告特征：adid, advertesierid, titleid,keywordid, descriptionid
上下文特征：depth, position
High Level 特征：范化能力比较强的特征。四川人能吃辣。
Low Level 特征：自解释能力比较强。我朋友A能吃辣。id号
通常从刻画能力和覆盖率两个方面评判特征。
3.1 one hot encoding
这里使用 one hot encoding.因为数据量不大，直接使用map.数据量大的话可以使用hash。得到的是一个稀疏矩阵，采用稀疏矩阵表示，记录哪里有“1”即可。
1 #!/usr/bin/env python 2 # -*- coding: utf-8 -*- 3 4 5 import os 6 import sys 7 8 file = open(sys.argv[1],"r") 9 toWrite = open(sys.argv[2],"w+") 10 #feature_index表示最大的编号，函数的主要目的是产生唯一的id号，方法是前缀+id 11 feature_map={} 12 feature_index=0 13 def processIdFeature(prefix, id): 14 15 global feature_map 16 17 global feature_index 18 19 str = prefix + "_" + id 20 21 if str in feature_map: 22 return feature_map[str] 23 else: 24 feature_index = feature_index + 1 25 feature_map[str] = feature_index 26 return feature_index 27 28 29 #这些特征加进去不一定管用，需要自己试验. lis里面存的是他在map里面的值 30 def extracFeature1(seg): 31 32 list=[] 33 34 list.append(processIdFeature("url",seg[1])) 35 36 list.append(processIdFeature("ad",seg[2])) 37 38 list.append(processIdFeature("ader",seg[3])) 39 40 list.append(processIdFeature("depth",seg[4])) 41 42 list.append(processIdFeature("pos",seg[5])) 43 44 list.append(processIdFeature("query",seg[6])) 45 46 list.append(processIdFeature("keyword",seg[7])) 47 48 list.append(processIdFeature("title",seg[8])) 49 50 list.append(processIdFeature("desc",seg[9])) 51 list.append(processIdFeature("user",seg[10])) 52 53 return list 54 55 56 def extracFeature2(seg): 57 58 depth = float(seg[4]) 59 pos = float(seg[5]) 60 id = int (pos*10/depth) 61 return processIdFeature("pos_ratio",str(id)) 62 63 64 def extracFeature3(seg): 65 66 list=[] 67 if(len(seg)>16): 68 str = seg[2] + "_" + seg[15] 69 list.append(processIdFeature("user_gender",str)) 70 return list 71 72 def toStr(label, list): 73 line=label 74 for i in list: 75 line = line + " " +str(i) + ":1"# 这里的str(i)是指把i变成字符串 76 return line 77 78 for line in file: 79 seg = line.strip().split(" ") 80 list = extracFeature1(seg) 81 #list.append(extracFeature2(seg)) 82 #list.extend(extracFeature3(seg)) 83 toWrite.write(toStr(seg[0],list)+" ") 84 85 86 toWrite.close
对训练集和验证集进行encoding
python feature_map.py train_data train_feature
python feature_map.py validate_data validate_feature
如果使用Hash的话：
1 HASH_SIZE = 1000000 2 def processIdFeature(prefix, id): 3 str = prefix + "_" + id 4 return hash(str) % HASH_SIZE 5 #接下来代码都一样
3.2 离散化
为什么要离散化？
离散化方法
比如说这里可以组合depth和pos，广告排在前1/3 中间 后边 的点击率感觉明显不同，所以这里可以使用pos / depth的离散化值来进行新特征的创建。
3.3 特征组合
特征种类内部做组合，比如广告内部特征，用户内部特征等，提高自身的刻画能力，自解释能力。但也会带来覆盖率低的问题。
特征种类之间做组合，比如用户和广告类型。提高表达关系的能力。比如这个广告在哪段时间点击率高等。
特征工程总结：
0.对于显示特征，采用onehotencoding的方法构建特征。 1.广告位置特征：使用depth - pos / depth 离散化来构建特征 3.广告与用户检索相似性特征：分别处理用户query与广告description,title,keywords之间的相似性，以query和description为例，使用所有广告的description作为一个语料库，然后看多少广告包含了我这个query,得到一个逆文档频率，然后在用得到这个query出现的一个频率（当前包含几个除以最大那个包含几个），通过TF-IDF计算这种相似度。 4.广告类别特征。根据用户的搜索关键字和广告的购买关键字集合做一个交集，之后得到触发关键字。每一个广告有一个触发关键字，可以利用触发关键字来定义两个广告之间的相似度（计算余弦相似度），以此为依据做一个k均值聚类。然后每一个广告做一个类标注，作为一个特征，找到每个类的topK个平凡的词语作为类标记。之后测试数据的时候，分别与这些类标记向量进行余弦相似度计算看属于哪个类。 5.广告质量的衡量。广告的质量主要主要看广告的title, discription, keywords之间的相似性，可以使用余弦相似度来度量。
4. 模型训练
特征处理完之后，使用Logestic回归进行建模如下
建模代码train.py如下：
1 #!/usr/bin 2 # -*- coding:utf-8 -*- 3 import random 4 import math 5 6 alpha = 0.1 7 iter = 1 8 l2 = 1 #拉姆达 9 10 file =open("train_feature","r") 11 12 max_index = 0 13 #拿到一个维度坐标最大值.找出这个map到底有多大，特征向量到底有多长 14 for f in file : 15 seg = f.strip().split(" ") 16 for st in seg[1:]: #0不要,0是label 17 index = int(st.split(":")[0]) 18 if index > max_index : 19 max_index = index 20 21 weight = range (max_index+1) 22 for i in range(max_index+1): 23 weight[i]=random.uniform(-0.01,0.01) #初始化成-0.1 到 0.1 24 25 for i in range(iter): 26 file = open("train_feature","r") 27 for f in file: 28 seg = f.strip().split(" ") 29 label = int (seg[0]) 30 s = 0.0 31 for st in seg[1:]: 32 index = int (st.split(":")[0]) 33 #val = float(st.split(":")[1]) 34 s += weight[index] #特征值为1.其实就是一个大特征，出现了的是1，没出现的就是0. 35 # s+=weight[index] 36 p = 1.0/(1 + math.exp(-s)) #上面算出了wt * x。这里算的是sigmoid函数，也就是预测值是多少 37 #梯度 == 预测值 - label。本来还要 * x的，但是因为x 都为1，所以。 38 g = p - label #这是算出来了梯度是多少。 39 for st in seg[1:]: 40 index = int(st.split(":")[0]) 41 weight[index]-=alpha* (g +l2 * weight[index]) # w == w - alpha * (梯度g + 拉姆达l2 * w) 42 43 #在validate_feature上验证我们的预测效果是怎么样的。 44 file = open("validate_feature","r") 45 toWrite = open("pctr","w+") #pctr存的是预测出来的结果 代表的是实际是什么，预测出来是什么。 46 for f in file : 47 seg = f.strip().split(" ") 48 lable = int (seg[0]) 49 s = 0.0 50 for st in seg[1:]: 51 index = int(st.split(":")[0]) 52 s+= weight[index] 53 p = 1.0 /(1 + math.exp(-s)) 54 s = seg[0] + "," + str(p) + " " 55 toWrite.write(s) 56 57 toWrite.close()
如果使用AdaGrad算法的话就是梯度下降的步长不是固定的。是要除以梯度的累加和，这样导致后边的步长变小。
然后执行：
python train.py
最后生成pctr文件：第一列表示validate里面的真实值，第二列表示预测出来pctr。
5. 评价指标AUC
auc代码如下：
1 #!/usr/bin/env python 2 3 import sys 4 def auc(labels,predicted_ctr): 5 i_sorted = sorted(range(len(predicted_ctr)),key = lambda i : predicted_ctr[i],reverse = True) 6 auc_temp = 0.0 7 tp = 0.0 8 tp_pre = 0.0 9 fp = 0.0 10 fp_pre = 0.0 11 last_value = predicted_ctr[i_sorted[0]] 12 for i in range(len(labels)): 13 if labels[i_sorted[i]] > 0: 14 tp+=1 15 else: 16 fp+=1 17 if last_value != predicted_ctr[i_sorted[i]]: 18 auc_temp += ( tp + tp_pre ) * ( fp - fp_pre) / 2.0 19 tp_pre = tp 20 fp_pre = fp 21 last_value = predicted_ctr[i_sorted[i]] 22 auc_temp += ( tp + tp_pre ) * ( fp -fp_pre ) / 2.0 23 return auc_temp / (tp * fp) 24 25 def evaluate(ids,true_values,predict_values): 26 labels = [] 27 predicted_ctr = [] 28 for i in range(len(ids)): 29 labels.append(int(true_values[i])) 30 predicted_ctr.append(float(predict_values[i])) 31 return auc(labels,predicted_ctr) 32 33 if __name__ == "__main__": 34 f = open(sys.argv[1],"r") 35 ids = [] 36 true_values = [] 37 predict_values = [] 38 for line in f: 39 seg = line.strip().split(",") 40 ids.append(seg[0]) 41 true_values.append(seg[1]) 42 predict_values.append(seg[2]) 43 print evaluate(ids,true_values,predict_values)
执行代码如下：
1 cat pctr | awk '{print NR "," $0}' > t 2 python auc.py t