Question

1. 传统的机器学习算法应该充分利用所有输入特征来预测和分类新的样本。然而，简单地使用原始特征很少能够提供最佳结果。因此，无论是工业界还是学术界，都存在大量关于原始特征的特征变换feature transformation 的工作。一种主要的特征变换类型是基于多个特征的特征组合feature combination 函数，并将组合特征combinatorial features 作为学习器 learner 的输入。这些组合特征有时被称作交叉特征cross features 或多路特征multi-way features。

   组合特征是强大的工具，尤其是在领域专家domain experts 手中。根据我们自己对主力major 赞助搜索引擎sponsored search engine 的体验，组合特征是许多模型中最强大的特征之一。

   • 在 Kaggle 社区中，顶级数据科学家是制作组合特征的大师，甚至可以交叉crossing 三到五个维度。 直觉intuition 以及创造有效的组合特征的能力是他们获胜的重要组成部分。
   • 在计算机视觉社区中，类似 SIFT 的特征是 ImageNet 比赛当时 state-of-the-art 表现背后的关键驱动因素。SIFT 特征是在图像块 image patches 上提取的，是特殊形式的组合特征。

   组合特征的威力伴随着高昂的成本。在个人开始创建有意义的特征之前，有一个陡峭的学习曲线需要攀登。随着特征数量的增长，管理managing、维护maintaining、部署deploying 组合特征变得具有挑战性。在 web-scale 的 application 中，由于特征数量非常庞大，并且在给定数十亿样本的情况下训练和评估周期很长，因此寻找额外的组合特征来改善现有的模型是一项艰巨的任务。

   深度学习承诺无需人工干预即可从individual 特征中学习。语音、图像领域是最先展示这种潜力的。通过深度卷积神经网络CNN 从特定任务中学习的卷积核，已经取代了手工制作的 SIFT-like 特征，成为图像识别领域的 state-of-the-art 技术。类似的模型已经应用于 NLP application，从零开始构建语言处理模型，而无需进行大量的特征工程feature engineering。

   在论文《Deep Crossing: Web-Scale Modeling without Manually Crafted Combinatorial Features》 中，论文提出Deep Crossing 模型，从而将深度学习的成功扩展到了更通用的环境中，其中individual 特征具有不同的性质。具体而言，Deep Crossing接受individual 的文本text 特征、离散categorical特征、ID 特征、数值numerical 特征，并根据特定任务自动搜索最佳组合。此外，Deep Crossing 旨在处理 web-scale 的 application 和数据规模。这不仅是因为作者主要对此类 application 感兴趣，还因为在这种规模下运行的通用模型没有太多选择。

   值得注意的是，Deep Crossing 在学习过程中确实以某种方式生成了组合特征，尽管 Deep Crossing 的输出是一个没有这些交叉特征的显式 representation 的模型。

2. 相关工作：无需手工制作特征的深度神经网络的想法并不新鲜。

   • 在 80 年代初，Fukushima 报道了一个七层的 Neocognitron 网络，该网络可以从图像的原始像素中识别数字。通过利用部分连接的结构partially connected structure，Neocognitron 实现了平移不变性shift invariance，这是视觉识别任务中的一个重要特性。
   • CNN 是由 LeCun 等人在 90 年代后期发明的，具有类似的架构，尤其是部分连接的卷积核。尽管 CNN 作为 recognition engine 具有坚实的基础，但是基于 SIFT-like 特征的分类器主导了图像识别十多年。
   • 2012 年，Krizhevsky 等人提出了 AlexNet，它比基于 SIFT 的 baseline 的错误率 error rate 降低了接近 11 个绝对百分点。
   • 最近，一个 152 层的残差网络在 2015 年赢得了 ImageNet 和 MS COCO 比赛。

   深度 CNN 的发展鼓舞人心，它表明：即使在十多年来对最佳手动特征进行微调的系统中，深度学习也能够得到改进。换句话说，即使是最有经验的领域专家domain experts 也可能会错过深度 CNN 使用特定于任务的 filters 捕获的特征之间的深度交互deep interaction 。 意识到这一点对我们在 Deep Crossing 方面的工作有着深远的影响。

   深度语义相似性模型 Deep Semantic Similarity Model: DSSM 学习一对文本字符串之间的语义相似性，每个字符串都由称作 tri-letter gram 的稀疏representation 所代表。learning 算法通过将 tri-letter gram 嵌入到两个向量（一个 query embedding 向量、一个 document embedding 向量）中来优化基于余弦距离的目标函数。学习到的 embedding 捕获了单词和句子的语义，应用于赞助搜索sponsored search、问答、机器翻译，并取得了很好的效果。

   分解机 Factorization Machine: FM 以其通用形式对单个特征之间的 d 路交互进行建模。在输入非常稀疏的情况下，FM 展示出比 SVM 更好的结果，但是不清楚 FM 在稠密特征上的表现如何。

   对于 NLP 任务，《Natural language processing (almost) from scratch》 构建了一个统一的神经网络架构，避免了特定任务的特征工程。

3. 赞助搜索 Sponsered Search：Deep Crossing 是在主力major 搜索引擎的 sponsored search 的背景下讨论的。简而言之，sponsored search 负责在自然搜索organic search 结果旁边展示广告。生态系统中存在三大主体：用户、广告主、搜索平台。平台的目标是向用户展示最符合用户意图user’s intent 的广告，其中用户意图主要是通过特定的 query 来表达。以下是接下来讨论的关键概念。

   • query：用户在搜索框中键入的文本字符串。
   • 关键词keyword：和广告主推广的产品相关的文本字符串，由广告主指定从而匹配用户的 query。
   • 标题 title：广告的标题，由广告主指定从而吸引用户的注意力。
   • 落地页landing page：当用户点击相应广告时，用户到达的广告主的产品网站。
   • match type：为广告主提供的关于 keyword 和用户 query 匹配程度的选项，通常是四种类型之一：精确匹配 exact 、短语匹配 phrase 、宽泛匹配 broad、上下文匹配contextual。
   • 营销活动 campaign ：一组具有相同设置（例如预算、地域定向）的广告，通常用于将广告主的产品归类。
   • 曝光impression：向用户展示的广告实例。曝光通常和运行时run-time 可用的其它信息一起记录。
   • 点击click：表示用户是否点击了曝光的广告。点击通常和运行时可用的其它信息一起记录。
   • 点击率click through rate：总点击次数除以总曝光次数。
   • 点击预测click prediction：搜索平台的点击预估模型，用于预测用户针对给定 query 点击给定广告的可能性。

   sponsored search 只是一种 web-scale 的 application。然而，鉴于问题空间的丰富性、各种类型的特征、以及庞大的数据量，我们认为我们的结果可以推广到具有类似规模的其它application。

4.1 Feature Representation

1. 这里使用下表中列出的 individual 特征，然后对比这些特征的组合特征。这些individual 特征在在线预估阶段可用，也可以用于模型的离线训练。

   

2. 单个特征 individual features：individual 特征表示为一个向量。 对于诸如 query 之类的文本特征，一个选择是将字符串转换为具有 49292 维的 tri-letter gram 。诸如 MatchType 之类的离散categorical 特征转换为 one-hot 向量。

   sponsored search system 中通常有数百万个 campaign ，简单地将 campaign id 转换为one-hot 向量会显著增加模型的大小。一种解决方案是使用上表中的一对伴随特征 a pair of companion features，其中：

   • CampaignID 是 one-hot representation ，它仅包含点击次数最多的 top 10000 个 campaigns，而剩余所有的 campaigns 保存在第 10000 个slot（索引从 0 开始）。
   • CampaignIDCount 覆盖了其它 campaigns （也包括 top 10000 的 campaigns ）。这是一个数值特征，用于存储每个 campaigns 的统计信息，如曝光次数、点击率等等。在以下讨论中，这类特征将被称作计数特征counting feature 。

   目前为止，所有的特征都是稀疏特征或计数特征。

3. 组合特征combinatorial features：给定单个特征 $ \mathbf{\vec f}_i\in \mathbb R^{n_i} $ 和单个特征 $ \mathbf{\vec f}_j\in \mathbb R^{n_j} $ ，组合特征 $ \mathbf{\vec f}_{i,j}\in \mathbb R^{n_i}\times \mathbb R^{n_j} $ 。组合特征也有稀疏representation 和稠密representation。

   • 稀疏 representation 的一个例子是 CampaignId x MatchType 组合特征，它的维度是 10001 x 4 = 40004 维。
   • 稠密 representation 的一个例子是计算给定 CampaignId 和 MatchType 组合下的广告点击次数。

   Deep Crossing 避免使用组合特征。它适用于稀疏和稠密的 individual 特征，并支持上述广泛的特征类型。这使得用户可以自由地从他们的特定application 中使用他们选择的特征。虽然收集特征并转换为正确的 representation 仍然需要大量的努力，但是工作仅仅是停留在 individual 特征的层面，剩余的工作交由模型处理。

4.2 模型

1. DeepCrossing 模型的输入是原始特征，模型有四种类型的Layer：

   • Embedding Layer：将原始特征映射成 embedding 向量。

     假设原始特征 one-hot 向量为 $ \mathbf{\vec x} $ ，field i 在向量中的起始位置为 $ s_i $ 、终止位置为 $ e_i $ （包含），记作 $ \mathbf x[s_i:e_i ] $ 。则 embedding 层的输出为：

     $ \mathbf{\vec z}^{(i)} = \text{relu}(\mathbf W^{(i)} \mathbf x[s_i:e_i] + \mathbf{\vec b}^{(i)}) \in \mathbb R^{m_i} $

     其中 $ \mathbf W^{(i)} \in \mathbb R^{m_i\times (e_i-s_i+1)}, \mathbf{\vec b}^{(i)}\in \mathbb R^{m_i} $ 为模型参数， $ m_i $ 为第 $ i $ 个 embedding 的维度。通常有 $ m_i \ll (e_i-s_i+1) $ ，这使得 embedding 之后的维度大大小于原始特征维度。

     对于某些维度较小的原始特征（如维度小于 256），无需进行 embedding 层，而是直接输入到 Stacking Layer 层。如图中的 Feature #2 。

     需要指出的是：embedding layer 的维度对于模型的整体大小有着显著的影响。即使对于稀疏特征 $ m_i\times (e_i-s_i+1) $ 矩阵本质上也是稠密的。这就是 Deep Crossing 使用伴随特征 companion features 来约束高基数特征high cardinality 维度的原因（降低 $ e_i-s_i+1 $ ）。

   • Stacking Layer：所有 embedding 特征和部分原始特征拼接成一个向量：

     $ \mathbf{\vec h}_1 = \left[\mathbf{\vec z}^{(1)}*\mathbf{\vec z}^{(2)}*,\cdots,*\mathbf{\vec z}^{(F)}\right] $

     其中： $ * $ 表示特征拼接， $ F $ 为原始特征 field 的数量， $ \mathbf{\vec h}_1 $ 为 embedding 向量。如果是直接输入的原始特征，则 $ \mathbf{\vec h}_1 $ 表示该原始特征的 one-hot 向量。

   • Residual Unit Layer：Deep Crossing 使用稍加修改的残差单元Residual Unit，其中不使用卷积核。据我们所知，这是第一次使用残差单元解决图像识别以外的问题。

     基于残差单元 Residual Unit 构建的残差层，其输出为：

     $ \mathbf{\vec h}_2 = \mathcal F\left(\mathbf{\vec h}_1;\mathbf W_0,\mathbf W_1,\mathbf{\vec b}_0,\mathbf{\vec b}_1\right) + \mathbf{\vec h}_1 $

     其中 $ \mathcal F(\cdot) $ 为残差单元，它跨越了两个 relu layer ：

     $ \mathcal F\left(\mathbf{\vec h}_1;\mathbf W_0,\mathbf W_1,\mathbf{\vec b}_0,\mathbf{\vec b}_1\right) = \text{relu}\left[\mathbf W_1 (\text{relu}(\mathbf W_0\mathbf{\vec h}_1 + \mathbf{\vec b}_0)) + \mathbf{\vec b}_1\right] $

     注意：在一个 DeepCrossing 网络中可以有多个残差层。

     

   • Scoring Layer：sigmoid 输出层。其输出为：

     $ \hat y = \text{sigmoid} \left(\mathbf{\vec w} \cdot \mathbf{\vec h}_{L-1} + b\right) $

     其中 $ \mathbf{\vec w},b $ 为参数， $ \mathbf{\vec h}_{L-1} $ 为前一层的隐向量， $ L $ 为总的层数。

   

2. 模型的损失函数为负的 Logloss：

   $ \mathcal L = - \frac 1N \sum_{i=1}^N\left(y_i \log \hat y_i +(1-y_i)\log(1- \hat y_i) \right) $

   其中 $ N $ 为总的样本数， $ y_i $ 为 ground truth 。

   当然根据具体任务也可以调整为 softmax 损失函数或者其他损失函数。

3. Deep Crossing 被应用于各种各样的任务。它也适用于样本量差异很大的训练数据。在所有情况下，都是用相同的模型，无需对层、节点、节点类型进行任何调整。我们认为残差单元可能隐含地执行某种正则化从而导致这种稳定性。

4. Early Crossing vs Late Crossing：可以将 Deep Crossing 和 DSSM 进行比较。下图是使用 logloss 作为目标函数的改进型 DSSM 的架构。修改后的 DSSM 与点击预测的 application 更密切相关，它在绿色的虚线左侧保留了 DSSM 的基础架构，但使用 logloss 将预测和ground-truth 进行比较。

   DSSM 允许两路文本输入，每路文本输入都由文本的 tri-letter gram 向量来表示。DSSM 具有将特征交互延迟到前向传播后期的特点。在到达 Cosine Distance 节点之前，输入特征通过两条独立路径上的多层变换来完全地嵌入。

   相比之下，Deep Crossing 最多采用一层 single-feature embedding，然后在前向传播的更早阶段开始特征交互。

   实验中我们发现，Deep Crossing 始终优于 DSSM。除了残差单元优越的优化能力之外，在前向传播的早期引入特征交互似乎也起着重要的作用。

   

5. Deep Crossing 由 CNTK 提供支持的multi-GPU 平台上实现，具体 CNTK 实现代码和 multi-GPU 平台参考原始论文。

4.3 实验

1. Deep Crossing 在主力搜索引擎的曝光和点击日志上训练和评估的。下表给出了实验数据集。每个实验将使用训练集、验证集、测试集的组合，由Data Set 列中给出的名字来引用。

   • 只有同一个 group 中的数据集是兼容的，这意味着不同 Type 在时间上没有重叠。例如，使用 all_cp1_tn_b 训练的模型可以使用 all_cp1_vd 进行验证、使用 all_cp1_tt 进行测试，因为它们都属于 group G_3 。
   • 数据集的 Task 是 CP1 和 CP2。这两个任务分别代表点击预估 pipeline 中的两个不同模型。在这种情况下，CP1 是两者之间更关键的模型，但是这两个模型在系统中是互补的。
   • Rows 代表了样本数（单位是百万条），Dims 代表了特征维度（单位是千）。

   注意，由于测试集中使用的样本量庞大，所有和 baseline 相比的实验结果在统计上都是显著的。

2. 实验中，每个 field embedding 维度 $ m_i = 256 $ 。接下来五层网络的维度为 [512, 512, 256, 128, 64] 。

4.3.1 和 DSSM 对比

1. 如前所述，我们有兴趣比较 DSSM 和 Deep Crossing。为了公平地比较，我们在 CP1 和 CP2 的数据上训练了 DSSM 和 Deep Crossing，但是将 Deep Crossing 模型限制为使用与 DSSM 相同的数据（即，二者都使用包含一个 pair 的输入，其中包含 query text 和 keyword or titile text，每个文本都由 tri-letter gram 向量来表示）。

2. 在第一个实验中，点击预估模型在下表中列出的两个数据集上的任务 CP1 进行训练。在这两个数据集上，Deep Crossing 在相对 AUC 方面都优于 DSSM。注意，这里使用的 DSSM 是前面描述的 logloss 版本。

   

3. 在第二个实验中，两个模型都在 text_cp2_tn 数据集上的任务 CP2 进行了训练，并在 text_cp2_tt 数据集上进行了测试。下表给出了 DSSM、Deep Crossing、以及我们生产系统中运行的模型的性能结果。

   生产模型在不同的数据集上进行训练，但使用 run-time 记录的预测输出在相同的测试集（text_cp2_tt）上进行测试。

   可以看到：Deep Crossing 的性能比 DSSM 好，但是比生产模型差。这是意料之中的，因为生产模型使用了更多的特征（包括组合特征）、以及经过多年的改进。尽管如此，通过使用 individual query 特征和individual 标题特征，Deep Crossing 距离生产模型仅约 1% 。

   

4. 虽然我们已经展示了 Deep Crossing 从简单的文本输入pair 对中学习的能力，但这并不是它的主要目标。Deep Crossing 的真正力量在于处理很多的 individual 特征，我们将在后续的实验中看到。

4.3.2 文本之外的特征

1. 我们现在考虑 Deep Crossing 在任务 CP1（训练集 all_cp1_tn_s）上的性能，其中包含Feature Representation 章节列出的大约 20 多个特征。本节的实验没有外部 baseline，我们只会对比具有不同特征组合的 Deep Crossing 的性能。

   这里的目标不是评估相对于其它方法的性能，而是查看 Deep Crossing 的实际效果，并证明其性能会随着特征的添加和删除而发生显著变化。我们将在下一小节中在使用相同的丰富的特征集合的情况下，比较 Deep Crossing 和生产模型的性能。

2. 在第一个实验中我们对比不同特征子集的 Deep Crossing 的效果，结果下图所示。图中的 logloss 是不同训练 epoch 上验证集的相对 logloss，定义为实际 logloss 除以 All_features 模型在所有 epoch 的最低 logloss。

   注意，这里计数特征counting features始终被移除。

   • All_features 模型包含除了计数特征以外的所有特征。不出所料，它在本次实验中所有模型中具有最低的 logloss。

   • Only_Q_K 模型仅使用 query text 和 keyword text，它具有最高的 logloss。

     就相对 logloss 而言，Only_Q_K 和 All_features 之间的差距大约是 0.12。就 AUC 而言，这大约是 7% ~ 8% 的改进。考虑到 AUC 在 0.1% ~ 0.3% 的改进通常被认为对于点击模型而言是显著的，所以这里的提升是巨大的。

   • without_Q_K_T 是一个去除了 query text、keyword text、title text 的模型（当然也去除了计数特征）。这意味着去掉大部分文本特征会使相对 logloss 增加 0.025。

   • without_position 移除了位置特征（当然也去除了计数特征），相对 logloss 增加大约 0.05。

   

3. 在第二个实验中，我们研究计数特征counting features 如何和其余的 individual 特征交互。如前所述，计数特征在降低高基数high cardinality 特征的维度方面起着重要作用。我们的完整特征集合有五种类型的计数特征。在本实验中，我们只是使用其中之一来演示效果。图中的相对 logloss 的基准是 All_without_counting 模型在所有 epoch 的最低对数 logloss 。

   • 从图 (a) 可以看到，仅 Counting_only 模型与具有除计数特征之外所有特征的 All_without_counting 模型相比非常弱。
   • 图 (b) 显示了添加计数特征后的结果，其中新模型 All_with_counting 将相对 logloss 减少了 0.02。

   

4.3.3 和生产模型的比较

1. 到目前为止，问题仍然是 Deep Crossing 是否真的可以击败生产模型，这是最终的 baseline。

   为了回答这个问题，我们使用来自生产模型的原始特征的子集训练了一个具有 22 亿个样本的 Deep Crossing 模型。Depp Crossing 在任务 CP1 （all_cp1_tn_b）数据集上进行训练，并在 all_cp1_tt 上进行测试。生产模型在不同（更大的）的数据及上行进行训练，但使用相同的数据进行测试（基于 run-time 记录的预测输出）。

   结果如下表所示（相对 AUC），可以看到：Deep Crossing 在任务 CP1 的离线 AUC 中的表现轻松超越了生产模型（截至论文发布时，任务 CP2 的结果尚不可用）。

   这一结果非常重要，因为 Deep Crossing 模型仅使用了一小部分特征，并且模型构建和模型维护的工作量要少得多。