在线最优化求解(onlineoptimization)冯扬.pdf

在线最优化求解 (Online Optimization) 冯扬 (@fengyoung) 新浪微博-商业平台及产品部-推荐引擎 2014-12-09 摘要：最优化求解问题可能是我们在工作中遇到的最多的一类问题了：从已有的数据中提炼 出最适合的模型参数，从而对未知的数据进行预测。当我们面对高维高数据量的场景时，常 见的批量处理的方式已经显得力不从心，需要有在线处理的方法来解决此类问题。本文以模 型的稀疏性作为主线，逐一介绍几个在线最优化求解算法，并进行推导，力求讲清楚算法的 来龙去脉，以及不同算法之间的区别和联系，达到融会贯通。在各个算法原理介绍之后，都 会给出该算法的工程实现伪代码，可以用于实际工作的参考。 1 动机与目的 在实际工作中，无论是工程师、项目经理、产品同学都会经常讨论一类话题：“从线上 对比的效果来看，某某特征或因素对xx 产品的最终效果有很大的影响”。这类话题本质上说 的是通过已有的数据反映出某些特定的因素对结果有很强的正（或负）相关性。而如何定量 计算这种相关性？如何得到一套模型参数能够使得效果达到最优？这就是最优化计算要做 的事情。 举一类典型点的例子：在推荐和广告计算中，我们经常会需要对某些值进行预测，例如 在一条推荐或广告在曝光之前先预测用户是否会产生点击（CTR 预估），或者是否会由此产 生某些转换（RPM 预估）。这类问题可以表示为：针对一个输入 = [ , … ] ∈ ℝ ，通 1 2 过某个函数()计算 （预测）输出 ∈ ℝ。根据值为连续的还是离散的，预测问题被划分 成回归问题（Regression ）和分类问题（Classification ）。而利用已有的样本数据{( , ) | = 1,2, …, }训练() 的过程往往转换成一个最优化求解的过程。 无论是线性回归（Linear Regression）、逻辑回归（Logistic Regression）、支持向量机（SVM ）、 深度学习（Deep Learning）中，最优化求解都是基本的步骤。常见的梯度下降、牛顿法、拟 牛顿法等属于批量处理的方法（Batch），每次更新都需要对已经训练过的样本重新训练一遍。 而当我们面对高维高数据量的时候，批量处理的方式就显得笨重和不够高效，因此需要有在 线处理的方法（Online ）来解决相同的问题。关于在线最优化问题（Online Optimization ）的 论文比较多，逐一查找阅读费时费力，那么本文就以高维高数据量的应用场景中比较看重的 稀疏性作为主线，来介绍一些在线最优化的方法。 本文的预期读者大概有如下几类： 1. 具有很深机器学习经验和背景的高阶人员：就拿这篇文章当作一个关于在线最优化 算法的回顾材料好了，如有错误和不足欢迎指正。 2. 具有一定机器学习经验的中级读者：可以将本文作为一个理论资料进行阅读，略过 “预备知识”部分，直接进入主题，将之前对于在线最优化算法的理解串联起来， 希望能对将来的工作提供帮助。 3. 对机器学习有认识但是实践经验较少的初级读者：从预备知识看起，逐一理解相关 概念和方法，从而达到融会贯通的目的。 4. 仅仅对算法的工程实现感兴趣的读者：大致浏览一下预备知识中的2.3 节，了解我 1 / 17 们要讨论什么，然后直奔各算法的算法逻辑（伪代码），照着实现就ok 鸟。 5. 高富帅和白富美：只需要知道本文讨论的是一堆好用的求最优解的方法，可以用于 分类预测、回归预测等一系列问题。然后吩咐攻城狮去实践就好了。还可以拿这篇 文章嘲笑机器学习的屌丝：看你们都弄