实时样本

什么是样本

样本简单地讲就是用来机器学习的数据，本文所讲样本特指监督学习中的样本，即样本由特征和标签两部分组成。广告点击率预测中的特征主要有三部分，用户特征，广告特征，环境。举例说明，用户特征中有年龄，性别。广告特征中有广告ID，广告主ID。环境特征中有操作系统，联网类型，广告位等等。

什么是实时样本

实 时样本是相对批量样本的概念，批量样本一般是用来训练对实时性要求不高的模型，比如人脸识别，手写识别等。实时样本往往用在数据变化比较大的场景，点击率 预估就是一个场景，因为会不断有新广告等产生（因为现在的技术对于理解广告图片素材，并用来预估点击率还有一些距离，所以广告ID是一个重要特征），并且点击率也是随时间在变化的，比如双11，电商广告的点击率就会高，休息日，游戏广告的点击率会高。使用实时样本的算法目标就是尽可能地掌握这些变化。

批量样本可能是一堆聚合的文件，而实时样本是一个个实时产生的数据，实时训练算法顺序取得这些样本，用来训练，更新模型。

标签

点击率预估问题中的标签是离散的，或是正例，即有广告曝光和点击行为，或负例，即只有曝光，没有点击行为。如果允许一次广告曝光有多次点击，那么标签就是连续的。在实际中，一次曝光的多次点击，最多只有一次会被视为有效点击，所以我们的标签是离散二值的。

曝光和点击会相距一段时间，也就是说只有等一段时间，才能知道样本是正例还是负例。一般来讲有两种选择。

1.       从曝光表中不断扫新数据，数据全部标为负例，从点击表中同时不断扫新数据，数据全部标为正例。这种方式追求速度，但数据的正确性有一定的问题，首先，很明显点击率是对不上了，本来应该是CTR=Postive/(Positive+Negative)，现在是Positive/(Positive+Negative+Positive)，这个问题倒不大，可以在预测时候修正（Calibration）回来，另一个问题却是无法消除的，这种方法最核心的假设就是各种特征组的点击率都差不多，我这里举一个例子来说明它带来影响，假设一个网页，只有在点了广告的情况下才能看内容，而且用户一般都会点广告后看内容，那这个广告位的点击率接近100%，但使用这种方法后这个广告位却是50%了，但可能这个广告位只占总流量很小的一部分且其它流量点击率很低，使用这种数据学习出来的模型对这个广告位预估点击率无法修正。

2.       关联正负例，通过曝光ID将曝光数据和点击数据关联起来（点击中也有曝光ID），等待一段时间后将关联的数据输出，这里的等待时间就是等待点击数据回流的时间。这种做法在实时性上有了一定的折扣，但更能保证数据的正确性。

等待时间

         有的点击可能在曝光几小时后才产生，如果要保证所有的点击都回流，会对实时性影响非常大。所以我们的实现的时候只会保证绝大部分点击回流就可以了。

         要确定等待时间需要多长，可以统计点击时间和对应的曝光时间的间隔，找到比如能回流99%点击的时间时隔，在广告点击率预估中，一般X0分钟就足够了。

容灾

         实 践中，会因为各种原因导致数据不正常，但最严重且很难监控的是点击数据或是曝光数据丢失。其实曝光和点击数据一起丢了，问题反而不太严重，最多就是模型不 更新。曝光或点击数据丢失往往是网络延时造成的，具体的现象就是曝光和点击丢了一部分，这会导致点击率高一些或是低一些，而对这种监控是比较难做的，因为 每天每小时的点击率都是在变化的，而且实时样本都是流式的，小样本上统计点击率波动很大，很难做到统一的监控。而通过上游进行监控也不太合适，比如曝光丢 了0.1%，影响其实不算大，要这些数据比不要还是会好一些。你可能会想：这丢数据总该是按比例丢的吧，如果没丢到100%，如果用LR算法那预测出来的值或是都偏高，或是都偏低，序是不变的，影响应该也不大。但在广告系统中不是点击率去排序的，而是按eCPM，它等于预估点击率 * 出价，简单地说就是预估出来的值不但要追求序的正确，而且要追求距的正确。

         在 实践中我用了一种非常取巧的方法，先说一下背景，广点通排序分为两步，粗排序和精排序，这两步都会预估点击率，区别粗排序要预测的样本远多于精排序，所以 粗排序模型相对要简单一些。我们的数据主要用于粗排序，精排序没使用我们的数据，也就是我们的数据错了，不会影响精排序的结果。在从曝光和点击表中可以得 到精排序的结果，我通过统计精排序和样本点击率的差距，就可以发现是不是出问题了。你可能还会有疑问：如果那精排序如果也因为相同的原因错了呢？你怎么知 道他们用的是批量学习算法？这种情况虽然很少发生，但当然也不是不可能，为了防止这种情况发生，添加了对点击率绝对值的监控，如果明显高于是或低于同期点 击率，告警。