交流目的及解答
反馈现在遇到的问题
获得解答
确定后续的技术路线，借助DT的经验来确定选型是否合适
之前定的方案是合适的，但是细节上需要进一步明确。
得出能够落实的方案（理论依据 + 实现可能）
- 向业务请教现有有效规则经验，抽象化为特征
- 积累数据
- 模型迁移尝试
- 构建稀疏特征，第一步尝试使用MLR等传统模型处理，第二步采用多层神经网络（是否激进一些，直接使用神经网络？？？）
交流内容点
异常值处理
问题
- 是否进行异常值处理？
- 使用哪些异常处理的方式会更为合适？
解答
- 尽量使用尊重数据本身，不要做异常值处理
特征构建及选择
问题
- 如何进行分段（离散化、分箱） ？
- 是否做哑变量处理？
- 如何进行选择(高度线性相关、近零方差、逐步迭代回归)？
- 扩展维度编码（是否一起编码） 做成插件形式？
解答
- 通过业务的先验知识，增加强相关的特征
- 通过比较粗暴的方式，获取全量的特征（比如每个时间段的点击），然后通过多层神经网络（中间层加入特征选取的功能）进行筛选和预测
- 通过高次特征组合的方式，来扩展特征
- 尽量使用端到端的方式，进行特征选取
- case1 人 品牌 交互行为 时间 ，以这个四个张量维度，作为基础，分别计算各个维度可能扩展出来的特征，从而扩展出数百个强关联的特征。例如人的年龄、性别。 品牌的价位，点击情况等等。
- 总结：尽可能多的选取特征，交给模型去筛选（注：为避免高阶特征可能出现的共线性问题，尽量选取抗共线性模型）
稀疏矩阵处理
问题
- 采用神经网络：技术选型 线下Keras 线上DL4J
- 采用GBDT + LR
- 采用XGBoost
解答
- 第一步可以使用MLR,GBM,XGBoost等
- 后续，构建多层神经网络（层之间，增加不同的特征处理手段）
- 采用流式学习的模型，可以考虑进行增量学习
- 调优经验：一方面是根据已有的经验（树的深度，分叉等等）进行调参，另一方面是通过grid search 搜索
数据非平衡 & 数据提纯问题
解答
- 尽量尊重样本本身，不要对样本做过多的处理
- case1 文本问题，4万样本，百万级别特征
- case2 图像问题，3万样本
- case3 CTR 问题，4亿样本，亿级别特征，正负样本1：80
关于推荐算法
解答
- 可以尝试
- 无监督学习一般来说，难以超越有监督学习
关于模型迁移
解答
- 相似类型业务的模型，可以迁移使用