tmall-repeat

KO | EN

gitlite — search

#react #ai #android #machine-learning #deep-learning #java #windows #cli #kubernetes #awesome-list #vue #pytorch #mcp #openai

(★ 49)

天猫复购预测 rank7 源码

tmall-repeat Latest Version Download

Download Latest Version (.zip)

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

最近尝试了一个数据比赛，截止2021年2月，成绩是 rank 7 / 4313
![rank](https://img-blog.csdnimg.cn/20210205175900131.png)

@[toc]
# 1. 特征工程

## 1.1 特征工程总览

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210216190108689.png)

图1. 本项目特征工程总览

上图为本项目用到的特征工程，主要分为`统计特征`，`图嵌入特征`，`词嵌入特征`，最后通过`join`操作将各个特征join到主键为`user_id, merchant_id`的训练数据上。

如果您觉得图片过于模糊，可前往 [Github](https://github.com/auto-flow/tmall-repeat/blob/master/img/feature-engineering.pdf) 下载PDF。

## 1.2 通过PySpark构造统计特征

- 特征构造器：[build_feat_pyspark.py](https://github.com/auto-flow/tmall-repeat/blob/master/build_feat_pyspark.py)
- 调用特征构造器：[fesys_pyspark.py](https://github.com/auto-flow/tmall-repeat/blob/master/fesys_pyspark.py)

### 1.2.1 特征构造器的特点

本项目的一大创新点就是开发了一个 **特征构造器** `FeatureBuilder` 。该构造器专门用于构造日志数据中的统计特征，其特点有：

1. 以主键为核心构建特征表
2. 支持通过where语句来丰富特征库
3. 支持dummy计数、用户自定义聚集函数等操作获取统计特征
4. 采用PySpark计算，可在集群中并行

该构造器的设计哲学是以**主键**为核心构建**与主键相关的特征列**。如本赛题中，训练数据的主键为`user_id, merchant_id`，那么我们就可以构造出`user_id`, `merchant_id`, `user_id, merchant_id` 这三个特征表。

例如，在`user_id`特征表中构造**用户最喜欢的商品、店铺**等统计特征，在`merchant_id`特征表中构造**商铺历史中各个年龄阶段的占比**等统计特征，在`user_id, merchant_id`特征表中构造**用户，商铺的交互次数**等统计特征。

同时，我们还可以通过加上`where`语句让特征成倍地增加。例如，除了计算全局的（即不加where的）统计特征外，还可以计算双十一期间的统计特征，有购买行为限定的统计特征等等。

我们用一个例子讲讲`dummy计数、用户自定义聚集函数`这些特性。例如我们获取【商铺在各个年龄段的计数和占比】这些特征时，可以用这个代码：

```python
feat_builder.buildCountFeatures('merchant_id', ['age_range'], dummy=True, ratio=True)
# agg_funcs=['mean', 'max', 'min', 'median', 'std', 'var', unique_udf]
```

![在这里插入图片描述](https://img-blog.csdnimg.cn/2021020609334246.png)
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206093554478.png)
可以看到这8列是对【商铺在8个年龄段的计数】的统计。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206094453512.png)

这8列是对【商铺在8个年龄段的占比】的统计。

如果我们要获取【商铺购买记录中年龄段的最小值、最大值、平均值等统计量】这些特征时，可以用这个代码：

```python
feat_builder.buildCountFeatures('merchant_id', ['age_range'], dummy=False, ratio=False,
agg_funcs=['mean', 'max', 'min', 'median', 'std', 'var', unique_udf] )
```

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206094901760.png)
![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206095055756.png)

最后，**特征构造器** 支持持久化序列化等操作，在构建训练数据与测试数据时只需要依次将各个特征表join到主表即可，使各个特征解耦和。

### 1.2.2 可以构造哪些统计特征

- 计算用户和商铺的复购次数（复购率用`rebuy_udf`算）
- 【商家】与用户的【年龄，性别】两个特征的交互
- 【商家，商品，品牌，类别】与多少【用户】交互过
- 【用户】与多少【商家，商品，品牌，类别】交互过（去重）
-  `※ `【商家】,【用户，商品】与多少【商品，品牌，类别】交互过（去重）
-  `※`【用户，商家，商品，品牌，类别】的【action_type】统计 （行为比例）
- 【用户，商家，【用户，商家】】每个【月，星期】的互动次数,  持续时间跨度，用户与商铺开始、终止时间统计
-  “最喜欢”特征，如用户最喜欢的商家、商品，主宾都可以互换
-  `※` 用户在商铺的出现比例, 以及相反
-  `※` 用户和商铺的复购率
-  对各种频率分布进行统计。如：商铺的用户序列是 [user1, user1, user2], 那么频率分布就是[2,1]，计算这个分布的统计特征，如方差。

然后，取`action_type=purchase`的where条件，再把上述特征计算一遍。

最后，取`交互日期为双十一`的where条件，把上述星号`※`的特征计算一遍。

## 1.3 通过Node2Vec构造图嵌入特征

- 生成二部图数据： [create_graph_embedding_data.py](https://github.com/auto-flow/tmall-repeat/blob/master/create_graph_embedding_data.py)
- 训练`Node2Vec`： [train_node2vec.py](https://github.com/auto-flow/tmall-repeat/blob/master/train_node2vec.py)

### 1.3.1 为什么用graph-embedding获取隐向量

为什么要用对二部图做graph-embedding的方法获取**用户和商铺的向量**呢？

我们知道，在推荐系统中有一个`user-item`共现矩阵，如下图：

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206104305736.png)
图2. user-item共现矩阵

如果我们要通过`user-item`共现矩阵得到`user-embedding`和`item-embedding`，一般有两种做法：

1. 对这个矩阵进行矩阵分解，如SVD或神经网络的方法，得到隐向量。
2. 将矩阵视为词袋，用TF-IDF再加上LSA、LDA等方法得到主题向量。
3. 按照时间顺序整理用户看过的物品序列，用Word2Vec学习这个序列中上下文的相关性，得到物品隐向量。反之得到用户隐向量。
4. 将`user-item`共现矩阵转换为二部图的邻接矩阵（图3）后，可以在这个图上使用`deep-walk`，`node2vec`等`graph-embedding`的方法得到图嵌入向量。

·![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206113015193.png)
图3. user-item二部图邻接矩阵

本项目经过综合考虑，选择了方案4，即图嵌入的方案，理由如下：

1. `graph-embedding`得到的**用户向量**与**店铺向量**之间的**内积**可以表示**用户对商铺的喜欢程度**，与矩阵分解的性质相似。方案2和方案3没有这个性质。
2. `graph-embedding`可以考虑到一些隐含信息，如用户1和用户2都喜欢店铺A，而用户1还喜欢店铺B，这样用户2也有可能喜欢店铺B。这样的隐含信息是矩阵分解学不到的。

### 1.3.2 什么是Node2Vec

图嵌入算法中最常见的是Deep Walk，它的主要思想是在由物品组成的图结构上进行随机游走，产生大量物品序列，然后将这些物品序列作为训练样本输入 Word2vec 进行训练，最终得到物品的 Embedding。因此，DeepWalk 可以被看作连接序列 Embedding 和 Graph Embedding 的一种过渡方法。图 4 展示了 DeepWalk 方法的执行过程。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206144223920.png)图4 DeepWalk方法的过程

Node2Vec在DeepWalk的基础上，通过调整游走权重的方法试Graph Embedding的结果更倾向与体现网络的**同质性**（homophily）或**结构性**（structural equivalence）。其中“**同质性**”指的是距离相近节点的 Embedding 应该尽量近似，“**结构性**”指的是结构上相似的节点的 Embedding 应该尽量接近。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206144334851.png)图5 网络的BFS和 DFS示意图

为了使 Graph Embedding 的结果能够表达网络的“**结构性**”，在随机游走的过程中，我们需要让游走的过程更倾向于 **BFS（Breadth First Search，宽度优先搜索）**，因为 BFS 会更多地在当前节点的邻域中进行游走遍历，相当于对当前节点周边的网络结构进行一次“微观扫描”。当前节点是“局部中心节点”，还是“边缘节点”，亦或是“连接性节点”，其生成的序列包含的节点数量和顺序必然是不同的，从而让最终的 Embedding 抓取到更多结构性信息。

而为了表达“**同质性**”，随机游走要更倾向于 **DFS（Depth First Search，深度优先搜索）**才行，因为 DFS 更有可能通过多次跳转，游走到远方的节点上。但无论怎样，DFS 的游走更大概率会在一个大的集团内部进行，这就使得一个集团或者社区内部节点的 Embedding 更为相似，从而更多地表达网络的“同质性”。

Node2Vec主要是通过**节点间的跳转概率**来控制跳转的倾向性。图 6 所示为 Node2vec 算法从节点 $t$ 跳转到节点 $v$ 后，再从节点 $v$ 跳转到周围各点的跳转概率。这里，你要注意这几个节点的特点。比如，节点 $t$ 是随机游走上一步访问的节点，节点 $v$ 是当前访问的节点，节点 $x_1$、$x_2$、$x_3$是与 $v$ 相连的非 $t$ 节点，但节点 $x_1$还与节点 $t$ 相连，这些不同的特点决定了随机游走时下一次跳转的概率。

![在这里插入图片描述](https://img-blog.csdnimg.cn/20210206144546981.png)图6 Node2vec的跳转概率

这些概率我们还可以用具体的公式来表示，从当前节点 $v$ 跳转到下一个节点 $x$ 的概率 $\pi vx=\alpha _{pq}(t,x)\cdot \omega _{vx}$ ，其中 $\omega _{vx}$ 是边 $vx$ 的原始权重，$\alpha _{pq}(t,x)$ 是 Node2vec 定义的一个跳转权重。到底是倾向于 DFS 还是 BFS，主要就与这个跳转权重$\alpha _{pq}(t,x)$的定义有关了：

$\alpha_{p q(t, x)=}\left\{\begin{array}{cc}\frac{1}{p} & \text { 如果 } d_{t x}=0 \\ 1 & \text { 如果 } d_{t x}=1 \\ \frac{1}{q} & \text { 如果 } d_{t x}=2\end{array}\right.$

$\alpha _{pq}(t,x)$ 中的参数 $p$ 和 $q$ 共同控制着随机游走的倾向性。参数 $p$ 被称为**返回参数（Return Parameter）**，$p$ 越小，随机游走回节点 $t$ 的可能性越大，Node2vec 就更注重表达网络的结构性。参数 $q$ 被称为**进出参数（In-out Parameter）**，$q$ 越小，随机游走到远方节点的可能性越大，Node2vec 更注重表达网络的同质性。反之，当前节点更可能在附近节点游走。

## 1.4 通过Word2Vec构造词嵌入向量

用户在浏览商品时，存在浏览相似商品的行为，我们可以利用这一特性对不同商品间的相似性进行建模。而Word2Vec可以对序列数据进行无监督学习，可以满足我们的需求。

在当前场景下，商品有`brand_id`和`cat_id`两个特征，即品牌ID和类别ID。我们可以用Word2Vec将这两个**类别变量**转化为低维连续变量，并根据用户历史记录中**用户**或**商铺**对`brand_id`和`cat_id`的权重对其进行加权平均，得到新的**用户隐向量**和**商铺隐向量**，丰富了特征信息。

举例，用户按时间顺序访问了以下5个商品：

|item_id|cat_id|brand_id|
|-|-|-|
|1|A|a|
|2|B|b|
|3|B|c|
|4|A|a|
|5|A|a|

对于这些商品的`cat_id`，我们可以得到一个序列：

`[A, B, B, A, A]`

假设我们用Word2Vec对`cat_id`序列了3维的隐向量（词嵌入向量），如下：

|cat_id|dim-1|dim-2|dim-3|
|-|-|-|-|
|A|0|1|0.5|
|B|1|0|0.5|

假如用户U1曾访问过75次`cat_id = A`的商品，访问过25次`cat_id = B`的商品，那么可以用加权平均算得U1的隐向量如下：

|user_id|dim-1|dim-2|dim-3|
|-|-|-|-|
|U1|0.25|0.75|0.5|

同理可以计算商铺的隐向量。

通过以上方式，我们从新的角度对**用户**和**商铺**进行了编码，引入了新的特征。

## 1.5 boruta特征筛选

# 2. 模型训练与模型融合

# 参考资料

[【Graph Embedding】node2vec：算法原理，实现和应用](https://zhuanlan.zhihu.com/p/56542707)

[Alias Method:时间复杂度O(1)的离散采样方法](https://zhuanlan.zhihu.com/p/54867139)

[【数学】时间复杂度O(1)的离散采样算法—— Alias method/别名采样方法](https://blog.csdn.net/haolexiao/article/details/65157026)

[07 | Embedding进阶：如何利用图结构数据生成Graph Embedding？](https://time.geekbang.org/column/article/296672)

tmall-repeat

tmall-repeat Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

tmall-repeat

tmall-repeat Latest Version Download

Today's picks

Was this content helpful?

Recent Feedback

Download README