学习总结

（1）五种主流的推荐模型离线评估方法：Holdout 检验、交叉检验、自助法、时间切割和离线 Replay。Holdout 检验最简单常用，它通过随机划分的方式把样本集划分成训练集和测试集。而交叉检验的评估效果更加稳定准确，它通过划分样本集为 k 份，再进行 k 次评估取平均的方式得到最终的评估指标。

（3）自助法 $Bootstrap$ 是为了解决样本量过少而提出的，它可以通过有放回采样的方式扩充训练集，但有改变数据本身分布的风险。而时间切割法在某个时间点上把样本分成前后两份，分别用于模型训练和评估，避免引入未来信息。最后是离线 Replay，它通过仿真线上模型更新过程来进行评估，是最接近线上环境的离线评估方法，但实现起来比较复杂。

推荐系统模型，如DIEN模型的效果是如何评估的，如何根据效果评估结果来更新模型，本次task学习的是最常用的评估方法——离线评估。

离线评估：将模型部署于线上环境之前，在离线环境下进行的评估。
优点：由于不用部署到生产环境，“离线评估”没有线上部署的工程风险，也不会浪费宝贵的线上流量资源，而且具有测试时间短，可多组并行，以及能够利用丰富的线下计算资源等。

一、离线评估的主要方法

离线评估：在离线环境下，将数据集分为训练集和测试集，测试集用于评估。

常用的离线评估方法主要有五种，分别是：Holdout 检验、交叉检验、自助法、时间切割、离线 Replay。

1.1 Holdout 检验、交叉检验和自助法

（1）Holdout检验

Holdout检验是最基础、最常用的。
将原始的样本集合随机划分为训练集和测试集。
（1）ex：对于一个推荐模型，我们可以把样本按照 70%-30% 的比例随机分成两部分。其中，70% 的样本用于模型的训练，30% 的样本用于模型的评估。

（2）Holdout的缺点：评估的结果有一定随机性，所以如果只进行少量的 Holdout 检验，得到的评估指标会存在一定的波动。那为了消除这种随机性，我们就要使用“交叉检验”的方法。

（2）交叉验证

先将全部样本划分成 k 个大小相等的样本子集，然后依次遍历这 k 个子集，每次把当前遍历到的子集作为验证集，其余所有的子集作为训练集，这样依次进行 k 次模型的训练和评估。

最后，我们再将所有 k 次评估指标的平均值作为最终的评估指标。在我们的实践中，k 经常取 10，也就是依次进行 10 次检验然后取指标均值。

小结：Holdout和交叉验证都是基于划分训练集和测试集的方法进行评估。但如果样本规模较小，这样划分会使训练集进一步减小。为了维持训练样本的规模，可以使用【自助法】。

（3）自助法Bootstrap

自助法（Bootstrap）是基于自助采样的检验方法。

它的主要过程是：对于总数为 n 的样本集合，我们先进行 n 次有放回地随机抽样，得到大小为 n 的训练集。在 n 次采样过程中，有的样本会被重复采样，有的样本没有被抽出过，我们再将这些没有被抽出的样本作为验证集进行模型验证。

自助法的缺点：
改变了原有数据的分布，有可能让模型产生一定程度的偏差。至于，到底是自助采样增加训练样本规模的收益大，还是数据分布被改变带来的损失大，这就需要我们在实践中进行验证了。

1.2 时间切割

未来信息：如果我们在 t 时刻进行模型预测， t+1 时刻的信息就是未来信息。
在构建特征工程时，要避免引入未来信息。
缺点：整个评估过程是静态的，模型不会随着评估的进行而更新。

在模型评估时，要避免训练集中包含“未来”样本。
比如，我们所有的样本数据分布在 t0到 tn这样的时间轴上，如果训练样本是通过随机采样得到的，那么训练数据也会分布在 t0到 tn上，同样，测试数据也会分布在 t0到 tn上。

为了防止信息穿越引起的模型“作弊”现象，可以使用时间分割方案，去划分训练集和测试集。
ex：一共处理了30天的样本，前25天的样本划分为训练集，后5天的样本作为测试集。
一般控制训练集和测试集的比例在3：1到10：1之间。比例太小则训练样本不够，比例太大则结果不够稳定。

1.3 离线 Replay

时间分割方法的缺点：整个评估过程是静态的，模型不会随着评估的进行而更新。如刚才的栗子，用前25天数据作训练集，如果在生产环境中，模型是日更新的，那么最后5天的评测过程就不准确，因为在离线测试中，我们并没有在后5天的评测过程中做到日更模型。

离线 Replay：在离线状态下对线上更新过程进行仿真，让整个评估过程“动”起来。

从上图对比中看出，“Replay 评估方法”先根据产生时间对测试样本，由早到晚地进行排序，再让模型根据样本时间的先后进行预测。在模型更新的时间点上，模型需要增量学习更新时间点前的测试样本，更新模型后，再继续评估更新点之后的样本。

Replay 评估的过程更接近于真实的线上环境，因为它在线下还原了模型在线上的更新、预估过程。这也让 Replay 方法的评估结果更加权威可信。

缺点：因为它需要在评估过程中不断更新模型，这让评估过程的工程实现难度加大，因为包含了模型训练的时间，所以整个评估过程的总时长也会加长，影响评估和调参的效率。
小结：需要我们根据业务场景，对准确率性和评估效率进行权衡。

二、基于 Spark 的离线评估方法实践

无论是基于 Python 的 TensorFlow 还是基于 Scala 的 Spark，都有很多支持离线评估的库，本次task用 Spark 进行实践，主要是因为在业界数据集很大的情况下，Spark 在分布式环境下划分训练集和测试集的效率是最高的。

下面学习如何使用 Spark 实现 Holdout 检验、交叉检验和时间切割评估法。（另外两种方法，由于自助法不太常用，离线 Replay 又涉及过多的附加模块）。

2.1 Holdout 检验

利用 randomSplit 函数把全量样本 samples 按比例分割成 trainingSamples 和 testSamples。在 Spark 的后端，这个 randomSplit 函数会在各个节点分布式执行，所以整个执行效率是非常高的。
源代码参考: com.wzhe.sparrowrecsys.offline.spark.featureeng.FeatureEngForRecModel 中的 splitAndSaveTrainingTestSamples 函数。

val Array(trainingSamples, testSamples) = samples.randomSplit(Array(0.9, 0.1))

  

 

  
1
 

2.2 交叉检验

3个关键参数：
一是 setEstimator，这是我们要评估的对象，它需要把我们构建的模型 pipeline 设置进去；
二是 setEvaluator，它用来设置评估所用的方法和指标；
三是 setNumFolds，它设置的是交叉检验中 k 的值，也就是把样本分成多少份用于交叉检验。

本质上 Spark 的 CrossValidator 其实是通过交叉检验来选择模型的最优参数，但也可以通过模型中 cvModel.avgMetrics 参数查看模型的评估指标。

val cv = new CrossValidator()
  .setEstimator(modelPipeline)
  .setEvaluator(new BinaryClassificationEvaluator)
  .setEstimatorParamMaps(paramGrid)
  .setNumFolds(10)  // Use 3+ in practice
val cvModel = cv.fit(training)

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

2.3 时间切割评估法

最高效方法，用where语句根据样本的时间跨度，将训练集和测试集分开，不用专门判断切割点。

如果你不知道样本的时间跨度，就要按照时间求取样本的分位数。
具体来说就是，通过 Spark 的 approxQuantile 函数，我们可以找到划分样本集为 8:2 的训练集和测试集的时间戳的值。那么接下来我们根据这个值通过 where 语句划分就可以了。我把这个过程的关键代码贴到了下面，供你参考。

代码参考： com.wzhe.sparrowrecsys.offline.spark.featureeng.FeatureEngForRecModel 中的 splitAndSaveTrainingTestSamplesByTimeStamp 函数。

//找到时间切割点
val quantile = smallSamples.stat.approxQuantile("timestampLong", Array(0.8), 0.05)
val splitTimestamp = quantile.apply(0)
//切割样本为训练集和测试集
val training = smallSamples.where(col("timestampLong") <= splitTimestamp).drop("timestampLong")
val test = smallSamples.where(col("timestampLong") > splitTimestamp).drop("timestampLong")

  

 

  
1
  
2
  
3
  
4
  
5
  
6
 

三、作业

离线 Replay 这个方法，跟之前讲过的增强学习有什么相似之处吗？它们两个还有什么更深层次的关系吗？

【答】离线Replay和RL都是动态更新模型的，都需要不断的测试和再训练模型。增强学习(如DRN)是通过不断接受反馈，在线更新模型的，所以评估方法不能引入未来信息，而简单的时间切割评估方法又不能模拟模型的更新频率，所以离线Replay是增强学习的唯一离线评估方法。

四、课后答疑

（1）在交叉检验的例子中，因为是使用的spark，那模型也必须是用spark实现的模型吧？那如果是tf实现的模型，该怎么做交叉检验呢？
【答】示例代码中是spark的交叉验证代码，并不支持tf模型。如果确实需要的话，需要根据交叉验证的思想自己实现。

（2）如果模型用early_stop来调整训练轮数，需要单独拿1天数据当验证集吗，然后测试集是验证集后一天的数据。就是想问上线之后每天跑是否也需要有“验证集”的概念？
【答】没有绝对，但early stop最好是有验证集，通过验证集来确定训练收敛的轮数，上线之后一般可以确定训练轮数来避免一些不可控的问题。

Reference

（1）https://github.com/wzhe06/Reco-papers
（2）《深度学习推荐系统实战》，王喆

文章来源: andyguo.blog.csdn.net，作者：山顶夕景，版权归原作者所有，如需转载，请联系作者。

原文链接：andyguo.blog.csdn.net/article/details/121241866