近年来，随着互联网的发展，在线广告营销成为一种非常重要的商业模式。出于广告流量商业化售卖和日常业务投放精细化运营的目的，需要对广告流量进行更精准的预估，从而更精细的进行广告库存管理。
因此，携程广告纵横平台实践了LSTM（Long Short-Term Memory，长短时记忆网络）模型结合Embedding的广告库存预估深度学习算法，在节省训练资源的同时，构建更具泛化性的模型，支持根据不同地域分布、人口学属性标签等进行库存变动预估，并能体现出节假日特征对库存波动的影响，从而对广告库存进行更为精确的预估。
技术交流
技术要学会分享、交流，不建议闭门造车。一个人可以走的很快、一堆人可以走的更远。
相关文件及代码都已上传，均可加交流群获取，群友已超过2000人，添加时最好的备注方式为：来源+兴趣方向，方便找到志同道合的朋友。
方式①、添加微信号：dkl88194，备注：来自CSDN + 加群
方式②、微信搜索公众号：Python学习与数据挖掘，后台回复：加群
问题和挑战
广告库存预估实现有诸多挑战：
-
现实中对广告库存的影响因素非常多，比如节假日、周末、自然灾害等等；
-
广告库存样本周期以天为单位，训练样本很少；
-
需要支持不同维度交叉进行广告预估，例如同时选择地域、年龄、性别、会员等级等定向交叉，预估未来N天的库存情况；
-
广告库存日新月异，随时间推移，不断有新的库存样本生成，模型更新频率要求较高。
这些因素让广告库存预估工作从资源和效率等角度都带来压力。
算法简述
RNN（Recurrent Neural Network，循环神经网络）是一种特殊的神经网络，被广泛应用于序列数据的建模和预测，如自然语言处理、语音识别、时间序列预测等领域。RNN对时间序列的数据有着强大的提取能力，也被称作记忆能力。相对于传统的前馈神经网络，RNN具有循环连接，可以将前一时刻的输出作为当前时刻的输入，从而使得网络可以处理任意长度的序列数据，捕捉序列数据中的长期依赖关系。
图 3-1
LSTM（Long Short-Term Memory，长短时记忆网络）是一种特殊的 RNN，它通过引入门控机制和记忆单元等结构来增强 RNN 的记忆能力和表达能力。
LSTM 的基本结构包括一个循环单元和三个门控单元：输入门、遗忘门和输出门。循环单元接受当前时刻的输入和前一时刻的输出作为输入，并输出当前时刻的输出和传递到下一时刻的状态。输入门控制当前时刻的输入对状态的影响，遗忘门控制前一时刻的状态对当前状态的影响，输出门控制当前状态对输出的影响。记忆单元则用于存储和传递长期的信息。基于此，使得LSTM具有长期的记忆能力，并且具有防止梯度消失的特点，故我们选择LSTM作为库存预估模型的训练基础。
图 3-2
Embedding是一种特征处理方式，它可以将我们的某个特征数据向量化，可以将离散的整数序列映射为连续的实向量，它通常用于自然语言处理中的词嵌入（Word Embedding）任务，用于将每个单词映射为一个实向量，从而使得单词之间的语义关系可以在向量空间中进行计算。
在本文中，我们是使用它进行实体嵌入（Entity Embedding） 任务，也就是将我们的特征实体进行向量化，通过大量的数据训练，得到实体向量之前的细微关系，从而帮助模型更清晰的识别不同实体对广告库存的影响，进而提高模型的泛化能力。
数据处理
4.1 特征定义
基础特征为下图所示：
图 4-1
由于节假日的特殊性，我们又将其细分为以下维度，保证模型抓住节前和节后购票效应。
图 4-2
4.2 归一化
在深度学习中，对数据进行归一化主要目的是将数据缩放到一个合适的范围内，便于神经网络的训练和优化。对数据进行归一化可以改善梯度下降、加速收敛、提高模型的泛化能力。
我们选择Z-score标准化方法对数据进行处理，Z-score 标准化（也称为标准差标准化）是一种常见的数据归一化方法，其基本思想是将原始数据转换为标准正态分布，即均值为 0，标准差为 1。公式如下图所示，是一个实测值与平均数的差再除以标准差的过程。
4.3 数据聚类
我们在第二章节问题和挑战中聊到过，广告库存预估需要对多个维度支持预估功能，不同维度交叉组合后，库存量千差万别，导致我们的样本数据中标签值min和max差距非常大。
如图4-3所示，本图Y轴表示某组合维度标签值的库存数据量级，库存数据量较小的组合维度占有很大一部分，而库存数据量较大的组合维度相对较少，仅凭数据归一化手段，数据压缩的效果非常不明显，如果强行一起训练会互相影响，导致模型难以拟合，训练中的损失函数如图4-4所示，训练时模型无法正常拟合，损失值不能够正常下降，训练出的模型效果可想而知，无法支持正常的预估功能。
图 4-3
图 4-4
所以，我们以库存样本的标签值为依据，使用K-means算法对不同维度的库存进行数据聚类，将近似类别的维度放在一起进行训练，提高模型的拟合速度和泛化能力。
我们选择“肘部法则”来确认本数据集的最佳分类数，也就是K-means的簇数K的具体值。随着K的增加，聚类效果不断提高，但是当K到达某个值的时候，聚类效果的提高变得越来越慢，此时再增加K已经不能明显提高聚类效果，因此这个点就是最佳的K值。具体过程如下：
-
对数据集进行K-Means聚类，分别尝试不同的簇数K。
-
对于每个簇数K，计算该簇数下的SSE（Sum of Squared Errors），即每个数据点到其所属簇中心的距离的平方和，保存SSE 到数组。
-
使用numpy库中的diff函数计算相邻两点的差异并除以最大值，得到变化率。然后，我们使用numpy库中的argmax函数找到最大斜率的位置，加上n即为肘部点的位置。
-
n的取值要考虑自身数据集，一般来说，K的值至少要为2，不然没有分类意义，而且argmax计算出来的是数组的索引位置，小于真实位置1个点位，综合考虑，我们将n设置为2。
# 计算不同聚类个数下的聚类误差
n = 2
sse = []
for k in range(1, 10):
kmeans = KMeans(n_clusters=k, random_state=0).fit(data)
sse.append(kmeans.inertia_)
# 自动寻找肘部点
diff = np.diff(sse)
diff_r = diff[1:] / diff[:-1]
nice_k = np.argmin(diff_r) + n
#绘制SSE随簇数变化的曲线（如图4-5），观察曲线的形状。
plt.plot(range(1, 10), sse, 'bx-')
plt.xlabel('Number of Clusters')
plt.ylabel('SSE')
plt.title('Elbow Method for Optimal k')
plt.show()
图 4-5
经过K值选择后，我们将样本数据集进行聚类得到如下图4-6所示结果，Y轴为某组合维度的标签值，X轴为某组合维度出现在样本数据集数组中的索引位置。其中最右侧最高的点，明显是没有任何维度交叉的全部广告库存，其他位置都是经过维度交叉后的库存，最终我们将其分成了3份进行训练。
图 4-6
经过聚类处理后，模型训练时损失函数输出的损失值如下图所示，出现了正常的损失值下降的过程，并逐渐趋于稳定。
图 4-7
五、网络结构定义与训练
5.1 网络结构定义
1）网络模型结构图
图 5-1
2）网络模型定义
我们将各维度组装特征数据和标签数据的数据经过Embedding 实体嵌入，输入到LSTM学习并提取历史库存的时间序列特性，最终经过激活函数和全连接层输出与标签值进行损失值计算，不断拟合，直到损失值接近稳定或到达最大训练批次。
import torch
from torch import nn
class LSTM(nn.Module):
def __init__(self, emb_dims, out_dim, hidden_dim, mid_layers):
super(LSTM, self).__init__()
self.emb_layers = nn.ModuleList([nn.Embedding(x, y) for x, y in emb_dims])
self.rnn = nn.LSTM([sum(x) for x in zip(*emb_dims)][1] + 1, hidden_dim, mid_layers, batch_first=False)
self.reg = nn.Sequential(
nn.Linear(hidden_dim, hidden_dim),
nn.Tanh(),
nn.Linear(hidden_dim, out_dim),
)
def forward(self, cat_data):
var_x = []
for cat in cat_data:
x = self.emb_layer(cat)
var_x.append(x)
stack = torch.stack(var_x)
y = self.rnn(stack)
return y
5.2 训练
1）组织数据
我们获取任意维度历史N天数据作为训练集，如下图所示，我们设定滑动窗口时间为七天，定义广告请求数为标签数据。使用DataLoader组织数据，shuffle设为True保证样本是随机获取的，仅需保证滑动窗口内部有序即可，这样训练可以提高模型的泛化能力。
loader = Data.DataLoader(dataset=set, batch_size=size, shuffle=True, num_workers=numWorkers)
需要注意的是，LSTM要求的入参顺序为（seq_length, batch_size, input_size）即：序列长度、批次量数、特征维度，然而DataLoade组织出的数据第一个维度是batch_size，因此设置batch_first = true，即可解决问题，继续正常的使用LSTM模型训练数据。但是这会拉低训练效率，原因是NVIDIA cuDNN 的RNN API 设置的batch_size参数就是在第二个位置，这样设置的原因如下：
举个例子1，假设输入序列的长度seq_length等于3，batch_size等于2，假设一个batch的数据是[[“A”, “B”, “C”], [“D”, “E”, “F”]]，如图5-2所示。由于RNN是序列模型，只有T1时刻计算完成，才能进入T2时刻，而"batch"就体现在每个时刻Ti的计算过程中，图1中T1时刻将[“A”, “D”]作为当前时刻的batch数据，T2时刻将[“B”, “E”]作为当前时刻的batch数据，可想而知，“A"与"D"在内存中相邻比"A"与"B"相邻更合理，这样取数据时才更高效。
而不论Tensor的维度是多少，在内存中都以一维数组的形式存储，batch first意味着Tensor在内存中存储时，先存储第一个sequence，再存储第二个… 而如果是seq_length first，模型的输入在内存中，先存储所有sequence的第一个元素，然后是第二个元素… 两种区别如图5-3所示，seq_length first意味着不同sequence中同一个时刻对应的输入元素(比如"A”, “D” )在内存中是毗邻的，这样可以快速读取数据。
图 5-2
图 5-3
因此，使用batch_first = true并不是好的选择，可以选择permute函数解决此问题：
batch_x = batch_x.permute((1, 0, 2))
使用此方法改变数组的shape，以适应原始LSTM模型的入参要求，在不影响训练速度的原则下解决参数顺序问题。
2）训练步骤
输入: 任意维度前七天组成的窗口数据，包括所有的特征数据 + 标签数据
输出: 第八天的标签数据
第N步
图 5-4
第N+1步:
图 5-5
3）离线与在线增量训练
第二章节问题和挑战中提到，由于广告样本数据每天都在产生，而且影响其因素非常多，所以历史模型仅凭历史库存学到的时间序列特性预估出的未来库存，除了可以带有假期周末等时间特征的正向影响外，很难紧跟近期的库存数量级。
所以，这要求我们要高频次的更新广告库存预估模型，但这也加大了维护成本，如果仅采用离线训练的方式，每次都拉取全量历史库存样本数据训练出新的优质模型，无疑是不可取的，所以我们选择一次离线训练+N次在线增量训练的方式解决此问题。
a. 离线训练
首先使用Spark Sql组织广告库存Hive表中现存所有的历史数据导入CSV文件，使用GPU训练此样本数据，由于是各维度交叉训练，一般在这个阶段数据量在亿级别，如果资源有限，离线训练可以拆分广告位分别进行。经过多次训练选择优质的离线模型文件，作为基础预估模型，可以用于短期的库存预估工作。此时我们需要将优质模型以字节的形式存储至Redis，便于后面的预估服务和在线训练脚本使用。
此时需要注意的是，我们需要将模型和优化器打包为一个字典，以二进制的方式读取模型文件并保存在Redis中。
#保存模型:
#net:模型
#optimizer:优化器
state = {'net': net.state_dict(), 'optimizer': optimizer.state_dict()}
torch.save(state, netPath)
#存储至Redis:
def saveModel(modelName, netPath):
with open(modelPath, "rb") as f:
pth_model = f.read()
result = redis.set(modelName, pth_model)
b. 在线训练：经过离线训练后，我们得到了一个优质的预估模型，此时我们需要开发两个脚本：
① PySpark 拉取hive表中昨天的库存样本存储在GPU机器实时文件目录。
② 读取实时文件目录，获取近八个文件，前七个作为一个滑动窗口数据，第八个作为标签值组成单次训练样本，在Redis中获取并加载预存的模型和优化器，进行一次在线训练，再将其覆盖保存至redis中。
# 在Redis中加载模型
def readModel(modelName, path):
pthByte = redis.get(modelName)
with open(path, 'wb') as f:
f.write(pthByte)
return torch.load(path, map_location=lambda storage, loc: storage)
# 加载模型和优化器状态,用于训练
# 读取字典
model = readModel(modelName, path)
# 加载模型
net = LSTM(emb_dims, out_dim, mid_dim, mid_layers).to(device)
net.load_state_dict(model['net'])
# 加载优化器
optimizer = torch.optim.Adam(net.parameters(), lr=1e-2)
optimizer.load_state_dict(model['optimizer'])
最终，我们将以上两个脚本配置在携程大数据定时任务，设置每天0点后执行，即可实现不断的在线训练，保证模型在优质状态的基础上，使用最新的库存数据对模型进行微调修正，使用Redis保存模型可以快速存取模型文件流，保证在线训练结束后，预估服务可以立刻反应，获取到新的模型用于预估工作，无需对预估服务做任何改动。根据以上方案可以不断维持模型提供精准的预估能力。
4）早停机制
训练过程中，为防止过拟合，也为提高效率，当loss 不再明显变化时终止训练，输出模型，每次训练不断记录并更新loss最小值，当loss 连续N次小于x时，视为可触发早停机制。
class EarlyStopping:
def __call__(self, val_loss):
score = val_loss
if self.best_score is None:
self.best_score = score
elif score > self.best_score:
if score <= x:
self.counter += 1
if self.counter >= self.patience:
self.early_stop = True
else:
self.best_score = score
self.counter = 0
下图为早停效果图，设置的训练批次为150批， 此模型训练至115批截至，可以观察到loss已经非常低, 已经没有下降空间，符合早停预期。
图 5-6
5）指标验证
经过模型的构建和训练后，我们需要对模型做出评估，以决定模型是否可以推到线上使用，因为基础数据量较小，所以本次模型未设置验证集，训练集和测试集 9 ：1。评估指标采用WMAPE(加权偏差率)：
TorchMetrics 类库对80 多个PyTorch 指标做了实现.
这里我们直接调用api : WeightedMeanAbsolutePercentageError
import torchmetrics
error = torchmetrics.WeightedMeanAbsolutePercentageError()
# 调用模型得到预估值
predict = net(valid_x)
# 计算偏差
error = error(predict, valid_y)
error_list.append(error.item())
指标验证可以更科学的观察到模型对所有维度的测试集的预估能力, 可以更科学的验证模型是否符合我们的预期，指导我们进行调参，控制唯一变量并观察指标变化。某广告位置调参验证示例如下, 比较不同批次训练模型后指标比较, 明显表现出200批次的模型指标更好。
Group Model 1: 150批次 测试集ERROR: 0.09729844331741333 200批次 测试集ERROR: 0.08846557699143887
Group Model 2: 150批次 测试集ERROR: 0.10297603532671928 200批次 测试集ERROR: 0.09801376238465309
Group Model 3: 150批次 测试集ERROR: 0.0748182088136673 200批次 测试集ERROR: 0.07573202252388
6）内存释放
在大数据量的深度神经网络训练过程中，内存是我们的一大瓶颈，在组织数据过程中，python的List由于不能确定其存储内容的数据类型，不支持快速切割结构，我们经常需要将List转换为数组再做处理，此时需要copy一份数据，那么List就成了闲置内存，这种类似的闲置内存我们可以操作主动释放，以快速释放无用内存，让我们的机器可以在有限的内存空间中支持更大数据量的训练。
不同的数据类型的释放方式如下（假设变量名称为 X ）：
# 1、List
del X[:]
# 2、数组
X = []
# 3、字典
X.clear()
# 4、Tensor(此方式需要调用gc.collect()触发GC才可以真正清除内存)
del X
# 5、清理CUDA显存
import torch
torch.cuda.empty_cache()
下图5-7为训练过程中主动释放内存操作后，得到的内存释放监控反馈。
图 5-7
5.3 预估验证
1）历史预估
整体模型训练完成，需要对模型做预估测试，我们选择2022年的10月作为测试样本，10月1日国庆节有特殊的节假日特性，可以考量模型预估能力。以携程启动页广告位为例，图 5-8 分别展示了全量库存、某特征定向和两种会员等级定向不同维度的预估效果，都成功表达出10月1日的节假日上涨特性，与实际值的走势相似，证明我们训练出的模型具有预估未来广告库存的能力。
图 5-8
2）未来预估
以下是对未来库存的预估效果示例，从未来预估示例中，可以直观看出在4月26-29左右有流量的高峰，经过5月1日后高峰下跌，回归正常值，符五一的节假日效应。
图5-9 定向交叉为：某年龄段、某地
图 5-9
图5-10 定向交叉为：某年龄段、某类会员
图 5-10
图5-11 定向交叉为：某地、某类会员
图 5-11
六、模型部署
6.1 python 服务部署
使用python flask组件开发部署restful接口，支持预估服务。
from flask import Flask
from flask import request, jsonify
@app.route('/model/ad/forecast', methods=['post'])
def forecast():
# 在clickhouse中实时获取前七天的标签值，传入接口
prepareData = request.json.get('prepareData')
return forecast(prepareData)
从Redis中读取对应维度的模型文件流，加载到内存生成模型对象，将前7天的标签值和对应其他特征组织好输入模型得到预估结果。
# 在Redis中加载模型
def readModel(modelName, path):
pthByte = redis.get(modelName)
with open(path, 'wb') as f:
f.write(pthByte)
return torch.load(path, map_location=lambda storage, loc: storage)
七、总结
通过使用LSTM算法结合Embedding特征处理方式训练得到优质的广告库存预估模型，能够捕捉库存时间样本数据中的长期依赖关系，表达节假日、周末等特殊时间点对库存变化的影响，更具泛化能力，支持地域、年龄、会员等级、性别等定向交叉预估，对比早期使用全量库存乘以定向比例的预估库存方式，此方式更能体现出不同维度之间的相互影响关系，更贴近事实，预估准确度高。
使用离线与在线增量训练相结合的训练方式，使模型更具活力，每天在优选出的广告库存模型基础上进行微调，可以不断维持模型提供精准的预估能力。后续我们会继续优化和探索更优秀的模型和特征处理方式，优化方向考虑在Embedding层 与 LSTM 层之间增加CNN 卷积层，提高模型的特征提取能力，进而提高广告库存模型的泛化能力、预估精准度。
