Online Learning算法理论与实践

背景

Online Learning是工业界比较常用的机器学习算法，在很多场景下都能有很好的效果。本文主要介绍Online Learning的基本原理和两种常用的Online Learning算法：FTRL（Follow The Regularized Leader）[1]和BPR（Bayesian Probit Regression）[2]，以及Online Learning在美团移动端推荐重排序的应用。

什么是Online Learning

准确地说，Online Learning并不是一种模型，而是一种模型的训练方法，Online Learning能够根据线上反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化，提高线上预测的准确率。Online Learning的流程包括：将模型的预测结果展现给用户，然后收集用户的反馈数据，再用来训练模型，形成闭环的系统。如下图所示：

Online Learning有点像自动控制系统，但又不尽相同，二者的区别是：Online Learning的优化目标是整体的损失函数最小化，而自动控制系统要求最终结果与期望值的偏差最小。

传统的训练方法，模型上线后，更新的周期会比较长（一般是一天，效率高的时候为一小时），这种模型上线后，一般是静态的（一段时间内不会改变），不会与线上的状况有任何互动，假设预测错了，只能在下一次更新的时候完成更正。Online Learning训练方法不同，会根据线上预测的结果动态调整模型。如果模型预测错误，会及时做出修正。因此，Online Learning能够更加及时地反映线上变化。

Online Learning的优化目标

如上图所示，Online Learning训练过程也需要优化一个目标函数（红框标注的），但是和其他的训练方法不同，Online Learning要求快速求出目标函数的最优解，最好是能有解析解。

怎样实现Online Learning

前面说到Online Learning要求快速求出目标函数的最优解。要满足这个要求，一般的做法有两种：Bayesian Online Learning和Follow The Regularized Leader。下面就详细介绍这两种做法的思路。

Bayesian Online Learning

贝叶斯方法能够比较自然地导出Online Learning的训练方法：给定参数先验，根据反馈计算后验，将其作为下一次预测的先验，然后再根据反馈计算后验，如此进行下去，就是一个Online Learning的过程，如下图所示。

举个例子，我们做一个抛硬币实验，估算硬币正面的概率 $\mu$ 。我们假设 $\mu$ 的先验满足

$p\left(\mu \right) = \operatorname{Beta}(\alpha, \beta)$ 对于观测值

$Y＝1$ ，代表是正面，我们可以算的后验：

$p\left( \mu | Y=1 \right) = \operatorname{Beta}(\alpha+1, \beta)$ 对于观测值

$Y＝0$ ，代表是反面，我们可以算的后验：

$p\left(\mu \right | Y=0) = \operatorname{Beta}(\alpha, \beta+1)$ 按照上面的Bayesian Online Learning流程，我们可以得到估算

$\mu$ 的Online Learning算法： >初始化

$\alpha$ ,

$\beta$ >for i = 0 … n >>如果

$Y_i$ 是正面 >>

$\alpha = \alpha + 1$ >>如果

$Y_i$ 是反面 >>

$\beta = \beta + 1$ 最终:

$\mu \sim \operatorname{Beta}(\alpha, \beta)$ ，可以取

$\mu$ 的期望，

$\mu = \frac{\alpha}{\alpha+\beta}$ 假设抛了

$N$ 次硬币，正面出现

$H$ 次，反面出现

$T$ 次，按照上面的算法，可以算得：

$\mu = \frac{ \alpha + H}{\alpha + \beta + N}$ 和最大化似然函数：

$\mathrm{log}\left[ p\left(\mu \mid \alpha,\beta \right) \cdot p \left( Y = 1 \mid \mu \right)^{H} \cdot p \left( Y = 0 \mid \mu \right)^{T} \right]$ 得到的解是一样的。

上面的例子是针对离散分布的，我们可以再看一个连续分布的例子。

有一种测量仪器，测量的方差 $\sigma^2$ 是已知的，测量结果为： $Y_1 , Y_2 , Y_3 , … , Y_n$ , 求真实值 $\mu$ 的分布。仪器的方差是 $\sigma ^{2}$ , 所以观测值Y满足高斯分布：

$p\left(Y \mid \mu\right) = N\left( Y \mid \mu,\sigma^2 \right)$ 观测到

$Y_1 , Y_2 , Y_3 , … , Y_n$ , 估计参数

$\mu$ 。假设参数

$\mu$ 满足高斯分布：

$p\left( \mu \right) = N\left( \mu \mid m ,v ^2 \right)$ 观测到

$Y_i$ , 可以计算的后验： $$ p \left( \mu \mid Y_i \right) = N\left( \mu \mid \frac{Yi v^{2}+m\sigma^{2}}{\sigma^{2}+v^{2}} , \frac{\sigma^{2}v^{2}}{\sigma^{2}+v^{2}} \right) $$ 可以得到以下的Online Learning算法： >初始化 $ m $,$ v ^{2} $ >for i = 0 … n >> 观测值为$ Y{i} $ >> 更新 >>

$m = \frac{Y_i v^{2} + m \sigma^{2}}{\sigma^{2} + v^{2}}$ >>

$v^{2} = \frac{\sigma^{2} v^{2}}{\sigma^{2} + v^{2} }$

上面的两个结果都是后验跟先验是同一分布的（一般取共轭先验，就会有这样的效果），这个后验很自然的作为后面参数估计的先验。假设后验分布和先验不一样，我们该怎么办呢？

举个例子：假设上面的测量仪器只能观测到 $Y$ ，是大于0，还是小于0，即 $Y_{i} \in \{-1，1\}$ , $Y_{i} = -1$ ，代表观测值小于0， $Y_{i} = 1$ 代表观测值大于0。此时，我们仍然可以计算后验分布：

$p( \mu \mid Y_i ＝1) = \frac{ I(\mu > 0 )p(\mu)}{ \int_{0}^{+\infty} p(\mu)\mathrm{d}u}$

$p( \mu \mid Y_i ＝-1) = \frac{ I(\mu< 0) p(\mu)}{ \int_{-\infty}^{0} p(\mu)\mathrm{d}u}$ 但是后验分布显然不是高斯分布（是截断高斯分布），这种情况下，我们可以用和上面分布KL距离最近的高斯分布代替。观测到

$Y_{i} = 1$

$KL( p(\mu \mid Y_i =1) || N(\mu \mid \tilde m ,\tilde v^{2}))$ 可以求得：

$\tilde m = m + v \cdot \upsilon\left(\frac{m}{v}\right)$

$\tilde v^{2} = v^2\left(1 - \omega\left(\frac{m}{v}\right)\right)$

观测到 $Y_{i} = -1$

$KL( p(\mu \mid Y_i =-1) || N(\mu \mid \tilde \mu ,\tilde v^{2}))$ 可以求得：

$\tilde m = m - v \cdot \upsilon\left(-\frac{m}{v}\right)$

$\tilde v^{2} = v^2\left(1 - \omega\left(-\frac{m}{v}\right)\right)$

两者综合起来，可以求得：

$\tilde m = m + Y_{i} v \cdot \upsilon\left(Y_{i}\frac{m}{v}\right)$

$\tilde v^{2} = v^2\left(1 - \omega\left(Y_{i}\frac{m}{v}\right)\right)$ 其中：

$\upsilon(t) = \frac{\phi(t)}{\Phi(t)}$

$\phi(t) = \frac{1}{2\pi} \mathrm{exp} \left(-\frac{1}{2} t^2\right)$

$\Phi(t)=\int_{-\infty}^{t} \phi(t)\mathrm{d}t$

$\omega(t) = \upsilon(t)*(t-\upsilon(t))$

有了后验我们可以得到Online Bayesian Learning流程： >初始化 $m$ , $v ^{2}$ >for i = 0 … n >> 观测值为 $Y_{i}$ >> 更新 >>

$m = m + Y_{i} \cdot v \cdot \upsilon\left(Y_{i} \cdot \frac{m}{v}\right)$ >>

$v^{2} = v^2\left(1 - \omega\left(Y_{i} \cdot \frac{m}{v}\right)\right)$

Bayesian Online Learning最常见的应用就是BPR（Bayesian Probit Regression）。

BPR

在看Online BPR前，我们先了解以下Linear Gaussian System(具体可以参考[3]的4.4节)。 $x$ 是满足多维高斯分布：

$p \left( x \right) = N \left(x \mid \mu_x, \Sigma_x \right)$

$y$ 是

$x$ 通过线性变换加入随机扰动

$\Sigma_y$ 得到的变量：

$p \left(y \mid x \right) = N \left(y \mid Ax+b ,\Sigma_y \right)$

已知 $x$ ，我们可以得到 $y$ 的分布：

$p \left( y \right) = N \left( y \mid A\mu_X +b, \Sigma_y + A \Sigma_x A^{T} \right)$

上面这个结论的具体的推导过程可以参考[3]的4.4节，这里我们直接拿来用。

我们可以假设特征权重 $w$ 满足独立高斯分布，即

$p(w) = N\left( w \mid \mu ,\Sigma \right)$ ：

$\mu = \left[ \mu_1,\mu_2,…,\mu_D\right]^{\mathrm{T}}$

$\Sigma = \left[ \begin{matrix} \sigma_1^{2} & 0 & \ldots & 0 \newline 0 & \sigma_2^{2} & \ldots & 0 \newline \vdots &\vdots & \ddots & \vdots \newline 0 & 0 & \ldots & \sigma_D^{2} \newline \end{matrix} \right]$

$Y$ 是一维变量，是 $w$ 与特征向量 $x$ 的内积，加入方差为 $\beta^{2}$ 的扰动：

$p\left( y \mid w\right) = N(y \mid x^Tw, \beta^2)$ 根据上面的式子可以得出：

$p\left( y \mid w\right) = N(y \mid x^T\mu, x^T\Sigma x +\beta^2)$ 由于我们只能观测到

$Y$ ，是大于0，还是小于0，即

$Y_{i} \in \{-1，1\}$ ,

$Y_{i} = -1$ ，代表观测值小于0，

$Y_{i} = 1$ 代表观测值大于0。

对于观测值，我们可以先用KL距离近似 $y$ 的分布，我们可以算出后验：

$p\left(y\mid Y_i\right) = N\left(y\mid \tilde m, \tilde v^2 \right)$

$\tilde m = x^T\mu + Y_{i}\upsilon \left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}}\right)$

$\tilde v^2 = \left(x^T\Sigma x +\beta^2\right)\left(1-\omega\left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}} \right)\right)$ 有了

$y$ 的近似分布，我们可以计算出后验：

$p\left(w \mid y \right) \propto p\left(y \mid w \right) p\left(w\right)$

可以求得：

$p\left( w_{d} \mid y \right) = N\left( w_{d} \mid \tilde \mu_{d},\tilde \sigma_{d} \right)$

$\tilde \mu_{d} = \mu_{d} + Y_{i} x_{i,d}\cdot \frac {\sigma_{d}^{2} }{\sqrt{x^T\Sigma x +\beta^2}} \cdot \upsilon \left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}}\right)$

$\tilde \sigma_{d} = \sigma_{d} \cdot \left[ 1 - x_{i,d} \cdot \frac{\sigma_{d}^{2}}{x^T\Sigma x +\beta^2} \omega\left(Y_{i} \cdot \frac{x^T\mu}{\sqrt{x^T\Sigma x +\beta^2}} \right) \right]$

Online Bayesian Probit Regression 训练流程如下： >初始化 $\mu_{1}$ , $\sigma_{1}^{2}$ , $\mu_{2}$ , $\sigma_{2}^{2}$ , … , $\mu_{D}$ , $\sigma_{D}^{2}$ >for i = 1 … n >> 观测值为$ Y{i} $ >> for d = 1 … D >> 更新 >>

$\mu_{d} = \mu_{d} + Y_{i} x_{i,d}\cdot \frac {\sigma_{d}^{2} }{\sqrt{x_{i}^T\Sigma x_{i} +\beta^2}} \cdot \upsilon \left(Y_{i} \cdot \frac{x_{i}^T\mu}{\sqrt{x_{i}^T\Sigma x_{i} +\beta^2}}\right)$ >> $$ \sigma_{d} = \sigma_{d} \cdot \left[ 1 - x{i,d} \cdot \frac{\sigma_{d}^{2}}{x_{i}^T\Sigma x_{i} +\beta^2} \omega\left(Y_{i} \cdot \frac{x_{i}^T\mu}{\sqrt{x_{i}^T\Sigma x +\beta^2}} \right) \right]$$

FTRL

除了Online Bayesian Learning，还有一种做法就是FTRL（Follow The Regularized Leader）。 FTRL的网上资料很多，但是大部分介绍怎么样产生稀疏化解，而往往忽略了FTRL的基本原理。顾名思义，FTRL和稀疏化并没有关系，它只是一种做Online Learning的思想。

先说说FTL（Follow The Leader）算法，FTL思想就是每次找到让之前所有损失函数之和最小的参数。流程如下：

初始化 $w$ for t = 1 … n > 损失函数 $f_{t}$ >更新 >
$w = argmin_{w} \sum_{i=1}^{t} f_i \left (w \right)$

FTRL算法就是在FTL的优化目标的基础上，加入了正规化，防止过拟合：

$w = argmin_{w} \sum_{i=1}^{t} f_i \left (w \right) + R(w)$ 其中，

$R(w)$ 是正规化项。

FTRL算法的损失函数，一般也不是能够很快求解的，这种情况下，一般需要找一个代理的损失函数。

代理损失函数需要满足几个要求： 1. 代理损失函数比较容易求解，最好是有解析解 2. 优化代理损失函数求的解，和优化原函数得到的解差距不能太大

为了衡量条件2中的两个解的差距，这里需要引入regret的概念。

假设每一步用的代理函数是 $h_t \left( w \right)$ 每次取

$w_{t} = argmin_{w} h_{t-1} \left (w \right)$

$Regret_{t} =\sum_{t=1}^{T}f_{t}\left(w_{t}\right) - \sum_{t=1}^{T}f_{t}\left(w^{*}\right)$

其中 $w^{*} = argmin_{w} \sum_{i=1}^{t}f_i\left(w\right)$ ，是原函数的最优解。就是我们每次代理函数求出解，离真正损失函数求出解的损失差距。当然这个损失必须满足一定的条件，Online Learning才可以有效，就是：

$\lim_{t \rightarrow \infty } \frac{Regret_t}{t} = 0$

随着训练样本的增多，这两个优化目标优化出的参数的实际损失值差距越来越小。

代理函数 $h_t(w)$ 应该该怎么选呢？如果 $f_t(w)$ 是凸函数，我们可以用下面的代理损失函数：

$h_{t} = \sum_{i=1}^{t} g_{i}\cdot w + \sum_{i=1}^{t} \left(\frac{1}{2 \eta_{t}} - \frac{1}{2 \eta_{t-1}} \right)||w - w_{t}||^{2}$

其中 $g_i$ 是 $f_i( w_i)$ 次梯度（如果 $f_i(w_i)$ 是可导的，次梯度就是梯度）。 $\eta_{t}$ 满足：

$\eta_{t} = \frac{\alpha}{\sqrt{\sum_{i=1}^{t} g_{t}^{2}}}$

为了产生稀疏的效果，我们也可以加入l1正规化：

$h_{t} = \sum_{i=1}^{t} g_{i}\cdot w + \sum_{i=1}^{t} \left(\frac{1}{2 \eta_{t}} - \frac{1}{2 \eta_{t-1}} \right)||w - w_{t}||^{2} ＋ \lambda_{1}|w|$ 只要

$f_t(w)$ 是凸函数，上面的代理函数一定满足：

$\lim_{t \rightarrow \infty } \frac{Regret_t}{t} = 0$

上面的式子我们可以得出 $w$ 的解析解：

$w_{t+1,i} = \left\{ \begin{array}{ll} 0 & |z_{t,i}| < \lambda_{1} \newline -\eta_{t}(z_{t,i} - sgn(z_{t,i})\lambda_{1}) ) & otherwise \end{array} \right.$

其中

$z_{t,i} = \sum_{s=1}^{t}g_{s,i} + \sum_{s=1}^{t}\left( \frac{1}{ \eta_{t,i}} - \frac{1}{ \eta_{t-1,i}} \right) w_{t,i}$

可以得到FTRL的更新流程如下：

输入 $\alpha$ , $\lambda_{1}$ 初始化 $w_{1…N}$ , $z_{1..N} = 0$ , $n_{1..N} = 0$ for t = 1 … T > 损失函数 $f_{t}$ > for i = 1 ..N >> 计算 >>
$g_{t,i} = \frac{\partial f_{i}\left(w_{t-1}\right)}{w_{t-1,i}}$ >> $z_{t} += g_{t,i} + \frac{1}{\alpha} \left( \sqrt{n_{i} + g_{t,i}^{2}} -\sqrt{ n_{i} } \right) w_{t,i}$ >> $n_{i} += g_{t,i}^{2}$ >>更新 >> $w_{t+1,i} = \left\{ \begin{array}{ll} 0 & |z_{t,i}| < \lambda_{1} \newline -\eta_{t}(z_{t,i} - sgn(z_{t,i})\lambda_{1}) ) & otherwise \end{array} \right.$

Online Learning实践

前面讲了Online Learning的基本原理，这里以移动端推荐重排序为例，介绍一下Online Learning在实际中的应用。

推荐重排序介绍

目前的推荐系统，主要采用了两层架构，首先是触发层，会根据上下文条件和用户的历史行为，触发用户可能感兴趣的item，然后由排序模型对触发的item排序，如下图所示：

推荐重排序既能融合不同触发策略，又能较大幅度提高推荐效果（我们这里主要是下单率）。在移动端，屏幕更加小，用户每次看到的item数目更加少，排序的作用更加突出。

美团重排序Online Learning架构

美团Online Learning架构如下图所示：

线上的展示日志，点击日志和下单日志会写入不同的Kafka流。读取Kafka流，以HBase为中间缓存，完成label match（下单和点击对映到相应的展示日志），在做label match的过成中，会对把同一个session的日志放在一起，方便后面做skip above：

训练数据生成

移动端推荐的数据跟PC端不同，移动端一次会加载很多item，但是无法保证这些item会被用户看到。为了保证数据的准确性，我们采用了skip above的办法，如下图所示：

假设用户点击了第i个位置，我们保留从第1条到第i+2条数据作为训练数据，其他的丢弃。这样能够最大程度的保证训练样本中的数据是被用户看到的。

特征

用的特征如下图所示：

算法选择

我们尝试了FTRL和BPR效果，线下实验效果如下表：

算法	AUC	模型参数个数
FTRL	0.8432	200W
BPR	0.8441	1500W

BPR的效果略好，但是我们线上选用了FTRL模型，主要原因是FTRL能够产生稀疏化的效果，训练出的模型会比较小。

模型训练

训练算法不断地从HBase中读取数据，完成模型地训练，训练模型放在Medis（美团内部地Redis）中，线上会用Medis中的模型预测下单率，根据预测的下单率，完成排序。

线上效果

上线后，最终的效果如下图所示，和base算法相比，下单率提高了5%。

参考资料

[1] McMahan H B, Holt G, Sculley D, et al. Ad Click Prediction: a View from the Trenches. Proceedings of the 19th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD). 2013.
[2] Graepel T, Candela J Q, Borchert T,et al. Web-Scale Bayesian Click-Through Rate Prediction for Sponsored Search Advertising in Microsoft’s Bing Search Engine. Proceedings of the 27th International Conference on Machine Learning ICML. 2010.
[3] Murphy K P. Machine Learning: A Probabilistic Perspective. The MIT Press. 2012.