共计 6047 个字符，预计需要花费 16 分钟才能阅读完成。
基于用户画像进行广告投放，是优化投放效果、实现精准营销的基础；而人口属性中的性别、年龄等标签，又是用户画像中的基础信息。那该如何尽量准确的为数据打上这些标签？
这时候机器学习就派上用场了。本文将以性别标签为例，介绍人口属性标签预测的机器学习模型构建与优化。
性别标签预测流程
通常情况下，无监督学习不仅很难学习到有用信息，而且对于学习到的效果较难评估。所以，如果可以，我们会尽可能地把问题转化成有监督学习。
对于性别标签也是如此，我们可以使用可信的性别样本数据，加上从 TalkingData 收集的原始数据中提取出来的有用信息，将性别标签的生产任务转化成有监督机器学习任务。更具体来说，男 / 女分别作为 1 / 0 标签（Label，也就是常说的 Y 值，为了方便表达，我们标记男 / 女分别为 1 / 0 标签），这样性别标签的任务就转化成了二分类任务。
性别标签的生产流程图如下：
- 简单来说，输入为具有可信性别信息的样本数据，以及从近期活跃的原始数据中提取出有用特征；
- 将两者 join 之后，得到可以直接用于建模的数据集；
- 基于该数据集进行建模，学习出性别预测模型；
- 再用该模型对全部样本进行预测，从而得到所有样本的性别打分。至此，模型部分的工作基本完成；
- 最后一步是确定阈值，输出男 / 女标签。这里我们不依赖模型确定阈值，而是借助比较可信的第三方工具，保证在期望准确度（precision）下，召回尽可能多的样本。
另外，面对 TalkingData 十几亿的数据体量，在标签生产的过程中，为了加速运算，除了必须用单机的情况下，我们都会优先采用 Spark 分布式来加速运算。
特征与模型方法的版本迭代
为了优化模型的效果，我们又对该性别标签预测模型进行了多次迭代。
01 性别预测模型 V1
模型最初使用的特征包括 4 个维度：设备应用信息、嵌入 SDK 的应用包名、嵌入 SDK 的应用内自定义事件日志以及设备机型信息。
模型采用 Xgboost（版本为 0.5），基于每个维度的特征分别训练模型，得到 4 个子模型。每个子模型会输出基于该特征维度的设备男 / 女倾向的打分，分值区间从 0 到 1，分值高代表设备为男性倾向，反之则为女性倾向。模型代码示例如下：
< 左右滑动查看完整代码 >
import com.talkingdata.utils.LibSVM
import ml.dmlc.xgboost4j.scala.DMatrix
import ml.dmlc.xgboost4j.scala.spark.XGBoost//version 0.5
//train stage
val trainRDD = LibSVM.loadLibSVMFile(sc, trainPath)// sc 为 SparkContext
val model = XGBoost.train(trainRDD, paramMap, numRound, nWorkers = workers)
//predict stage
val testSet = LibSVM.loadLibSVMFilePred(sc,testPath,-1,sc.defaultMinPartitions)
val pred = testSet.map(_._2).mapPartitions{ iter =>
model.value.predict(new DMatrix(iter)).map(_.head).toIterator
}.zip(testSet).map{case(pred, (tdid, feauture)) =>
s"$tdid\t$pred"
}缺点及优化方向：
- 模型为四个子模型的融合，结构较复杂，运行效率较低，考虑改为使用单一模型；
- 嵌入 SDK 的应用内自定义事件日志特征覆盖率低，且 ETL 处理资源消耗大，需重新评估该字段对模型的贡献程度；
- 发现设备名称字段看上去有男 / 女区分度——部分用户群体会以名字或者昵称命名设备名（例如带有“哥”“军”等字段的倾向为男性，带有“妹”“兰”等字段的倾向为女性），验证效果并考虑是否加入该字段。
02 性别预测模型 V2
对模型使用特征的 4 个维度进行了调整，改为：嵌入 SDK 的应用包名、嵌入 SDK 的应用 AppKey、设备机型信息以及设备名称。
其中，对嵌入 SDK 的应用包名和设备名称做分词处理。再使用 CountVectorizer 将以上 4 类特征处理成稀疏向量（Vector），同时用 ChiSqSelector 进行特征筛选。
模型采用 LR（Logistic Regression），代码示例如下：
< 左右滑动查看完整代码 >
import org.apache.spark.ml.feature.VectorAssembler
import org.apache.spark.ml.PipelineModel
import org.apache.spark.ml.classification.LogisticRegression
val transformedDF = spark.read.parquet("/traindata/path")// 分词、CountVectorizer、ChiSqSelector 操作之后的特征，为 vector 列
val featureCols = Array("packageName","appKey", "model", "deviceName")
val vectorizer = new VectorAssembler().
setInputCols(featureCols).
setOutputCol("features")
val lr = new LogisticRegression()
val pipeline = new Pipeline().setStages(Array(vectorizer, lr))
val model = pipeline.fit(transformedDF)
//predict stage
val transformedPredictionDF = spark.read.parquet("/predictData/path")// 同 train 一致，为分词、CountVectorizer、ChiSqSelector 处理之后的特征，为 vector 列
val predictions = model.transform(transformedPredictionDF)优点及提升效果：
- 采用单一的模型，能够用常见的模型评估指标（比如 ROC-AUC，Precision-Recall 等）衡量模型，并在后续的版本迭代中作为 baseline，方便从模型角度进行版本提升的比较。
缺点及优化方向：
- LR 模型较简单，学习能力有限，后续还是替换成更强大的模型，比如 Xgboost 模型。
03 性别预测模型 V3
模型所使用的特征，除了上个版本包括的 4 个维度：嵌入 SDK 的应用包名、嵌入 SDK 的应用 AppKey、设备机型信息以及设备名称，又增加了近期的聚合后的设备应用信息，处理方式与上个版本类似，不再赘述。
模型从 LR 更换成 Xgboost（版本为 0.82），代码示例如下：
< 左右滑动查看完整代码 >
import org.apache.spark.ml.feature.VectorAssembler
import ml.dmlc.xgboost4j.scala.spark.XGBoostClassifier//version 为 0.82
val transformedDF = spark.read.parquet("/trainData/path")// 分词、CountVectorizer 操作之后的特征，为 vector 列
val featureCols = Array("packageName","appKey", "model", "deviceName")
val vectorizer = new VectorAssembler().
setInputCols(featureCols).
setOutputCol("features")
val assembledDF = vectorizer.transform(transformedDF)
//traiin stage
//xgboost parameters setting
val xgbParam = Map("eta" -> xxx,
"max_depth" -> xxx,
"objective" -> "binary:logistic",
"num_round" -> xxx,
"num_workers" -> xxx)
val xgbClassifier = new XGBoostClassifier(xgbParam).
setFeaturesCol("features").
setLabelCol("labelColname")
model = xgbClassifier.fit(assembledDF)
//predict stage
val transformedPredictionDF = spark.read.parquet("/predictData/path")// 同 train 一致，为分词、CountVectorizer 操作之后的特征，为 vector 列
val assembledpredicDF = vectorizer.transform(transformedPredictionDF)
val predictions = model.transform(assembledpredicDF)优点及提升效果：
- 相比上个版本，AUC 提升了 6.5%，在最终的性别标签生产中召回率提升了 26%。考虑到 TalkingData 的十几亿的数据体量，这个数值还是很可观的。
04 性别预测模型 V4
除了上个版本包括的 5 个特征维度，还 添加了 TalkingData 自有的三个广告类别维度的特征，虽然广告类别特征覆盖率仅占 20%，但对最终标签的召回率的提升也有着很大的影响。
模型由 Xgboost 替换成 DNN，设置最大训练轮数（Epoch）为 40，同时设置了 early stopping 参数。考虑到神经网络能工作是基于大数据的，因此我们将用于训练的样本量扩充了一倍，保证神经网络的学习。
DNN 的结构如下：
< 左右滑动查看完整代码 >
python
GenderNet_VLen((embeddings_appKey): Embedding(xxx, 64, padding_idx=0)
(embeddings_packageName): Embedding(xxx, 32, padding_idx=0)
(embeddings_model): Embedding(xxx, 32, padding_idx=0)
(embeddings_app): Embedding(xxx, 512, padding_idx=0)
(embeddings_deviceName): Embedding(xxx, 32, padding_idx=0)
(embeddings_adt1): Embedding(xxx, 16, padding_idx=0)
(embeddings_adt2): Embedding(xxx, 16, padding_idx=0)
(embeddings_adt3): Embedding(xxx, 16, padding_idx=0)
(fc): Sequential((0): Linear(in_features=720, out_features=64, bias=True)
(1): BatchNorm1d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(2): ReLU()
(3): Dropout(p=0.6)
(4): Linear(in_features=64, out_features=32, bias=True)
(5): BatchNorm1d(32, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(6): ReLU()
(7): Dropout(p=0.6)
(8): Linear(in_features=32, out_features=16, bias=True)
(9): BatchNorm1d(16, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
(10): ReLU()
(11): Dropout(p=0.6)
(12): Linear(in_features=16, out_features=2, bias=True)
)
)优点及提升效果：
- 与上个版本对比，AUC 仅提升了 1.5%，但在最终性别标签生产中的召回率提升了 13%，考虑数据体量以及现有的标签体量，这个提升还是不错的。
由此可以看出，在验证版本迭代效果的时候，我们 不应该仅仅从模型的 AUC 这单一指标来衡量 ，因为这对版本迭代的效果提升程度衡量不够准确。我们应该验证最终的、真正的指标提升情况——在性别标签预测中， 是期望准确度（precision）下召回的样本数量。但我们仍然可以在版本优化时使用 AUC 等模型相关指标，来快速验证控制变量的实验效果，毕竟这些指标容易计算。
模型探索小建议
从原始日志当中抽取字段聚合成信息，需要经过很多步 ETL，也会涉及很多优化方式，这部分有专门的 ETL 团队负责，在这里不做过多介绍。
模型团队可以直接使用按时间聚合之后的字段进行建模任务，尽管如此，ETL 和特征生成所花费的时间，也占据了模型优化和迭代的大部分时间。
下面总结两个优化方面的坑和解决经验，希望能给大家一些参考。
1. 对于性别标签预测，输入的特征大部分为 Array 类型，比如近期采集到的设备应用信息。对于这种类型的字段，在训练模型之前，我们一般会调用 CountVectorizer 将 Array 转成 Vector，然后再作为模型的输入，但是 CountVectorizer 这一步非常耗时，这导致我们在版本迭代时不能快速实验。
针对该问题，我们 可以事先完成这一步转换，然后将生成的 Vector 列也存储下来，这样在每次实验时，就可以节省 CountVectorizer 消耗的时间。
在实际生产中，因为有很多标签的生产都会用到同样的字段，事先将 Array 转成 Vector 存储下来，后续不同任务即可直接调用 Vector 列，节省了很多时间。
2. 虽然第一条能够节省不少时间，但 Spark 还是更多用于生产。其实在模型前期的探索当中，我们也 可以先用 Spark 生成训练集——因为真实样本通常不会很多，生成的训练集往往不是很大，这时我们就可以用单机来进行快速实验了。
在单机上，我们可以使用 Python 更方便的画图来更直观的认识数据，更快的进行特征筛选，更快的验证想法。在对数据、对模型有了深入的了解之后，我们就可以把实验所得的结论快速应用到生产当中。
作者简介：张小艳，TalkingData 数据科学家，目前负责企业级用户画像平台的搭建以及高效营销投放算法的研发，长期关注互联网广告、用户画像、欺诈检测等领域。
