5.3 算法介绍及参数说明
5.3.4 排序策略-离线排序模型
排序策略简介
排序策略用于训练排序模型，该模型将被用于对召回策略召回的候选集进行排序，以 将推荐物品顺序调整到最优。
Logistic Regression (LR)
LR算法是一种广义的线性回归分析模型，常用于数据挖掘、疾病自动诊断、经济预测 等领域。LR算法通过在线性回归的基础上叠加一个sigmoid激活函数将输出值映射到 [0,1]之间，是机器学习领域里常用的二分类算法。
表5-18 逻辑斯蒂回归参数说明 参数名称 说明
名称 自定义策略名称，由中文、英文、数字、下划线、空格或者中划线 组成，并且不能以空格开始和结束，长度为1~64个字符。
描述 对于该策略的描述信息。
最大迭代轮数 模型训练的最大迭代轮数，默认50。
提前终止训练
轮数 在测试集上连续N轮迭代AUC无提高时，迭代停止，训练提前结 束，默认5。
参数名称 说明
初始化方法 模型参数的初始化方法。
● normal：正态分布 平均值：默认0 标准差：0.001
● uniform ：均匀分布
最小值：默认-0.001，均匀分布的最小值，必须小于最大值。
最大值：默认0.001，均匀分布的最大值，必须大于最小值。
● xavier：
初始化初始值为 均值为0，方差为 Var(wi)=1/nin 的均匀分布 估计（First Moment Estimation，即梯度的均值）和二阶矩估 计（Second Moment Estimation，即梯度的未中心化的方差）
进行综合考虑，依次计算出更新步长。
– 学习率：优化算法的参数，决定优化器在最优方向上前进步 长的参数。默认0.001。
– 数值稳定常量：为保证数值稳定而设置的一个微小常量。默 认1e-8。
● adagrad：自适应梯度算法
对每个不同的参数调整不同的学习率，对频繁变化的参数以更小 的步长进行更新，而稀疏的参数以更大的步长进行更新。
– 学习率：优化算法的参数，决定优化器在最优方向上前进步 长的参数。默认0.001。
– 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。
● ftrl：Follow The Regularized Leader
适用于处理超大规模数据的，含大量稀疏特征的在线学习的常见
参数名称 说明 正则损失计算
方式
正则损失计算当前有两种方式。
● full：指针对全量参数计算。
● batch：则仅针对当前批数据中出现的参数计算 说明batch模式计算速度快于full模式。
重新训练 对第一次训练无影响，仅影响任务重跑。
● “是”：清空上一轮的模型结果后重新开始训练。
● “否”：导入上一轮的训练结果继续训练。适用于欠拟合的情 况。
批量大小 一次训练所选取的样本数。
训练数据集切
分数量 将整个数据集切分成多个子数据集，依次训练，每个epoch训练一 个子数据集。
DeepFM
DeepFM，结合了FM和深度神经网络对于特征表达的学习，同时学习高阶和低阶特征 组合，从而达到准确地特征组合学习，进行精准推荐。
表5-19 深度网络因子分解机参数说明
参数名称 说明
名称 自定义策略名称，由中文、英文、数字、下划线、空格或 者中划线组成，并且不能以空格开始和结束，长度为 1~64个字符。
描述 对于该策略的描述信息。
最大迭代轮数 模型训练的最大迭代轮数，默认50。
提前终止训练轮数 在测试集上连续N轮迭代AUC无提高时，迭代停止，训练 提前结束，默认5。
参数名称 说明
初始化方法 模型参数的初始化方法。
● normal：正态分布 平均值：默认0 标准差：0.001
● uniform ：均匀分布
最小值：默认-0.001，均匀分布的最小值，必须小于 最大值。
最大值：默认0.001，均匀分布的最大值，必须大于最 小值。
● xavier：
初始化初始值为 均值为0，方差为 Var(wi)=1/nin 的 均匀分布（高斯或者随机分布）。其中 nin 是该神经 元的输入数目。
参数名称 说明 度的一阶矩估计（First Moment Estimation，即梯度 的均值）和二阶矩估计（Second Moment
Estimation，即梯度的未中心化的方差）进行综合考
● adagrad：自适应梯度算法
对每个不同的参数调整不同的学习率，对频繁变化的
● ftrl：Follow The Regularized Leader
适用于处理超大规模数据的,含大量稀疏特征的在线学 说明batch模式计算速度快于full模式。
隐向量长度 分解后的表示特征的向量的长度。默认10。
神经网络结构 神经网络的层数与每一层的神经元节点个数。默认 400,400,400。
参数名称 说明
激活函数 神经网络中的激活函数，将一个（或一组）神经元的值映 射为一个输出值。
● relu
● tanh
● sigmoid
神经元值保留概率 神经网络前向传播过程中以该概率保留神经元的值。默认 0.8。
重新训练 对第一次训练无影响，仅影响任务重跑。
● “是”：清空上一轮的模型结果后重新开始训练。
● “否”：导入上一轮的训练结果继续训练。适用于欠 拟合的情况。
批量大小 一次训练所选取的样本数。
训练数据集切分数量 将整个数据集切分成多个子数据集，依次训练，每个 epoch训练一个子数据集。
AutoGroup
AutoGroup，使用自动分组技术探索高阶特征交互组合，更深层次地挖掘出多个特征 间联系，增强模型排序效果。
表5-20 AutoGroup 参数说明
参数名称 说明
名称 自定义策略名称，由中文、英文、数字、下划线、空格或 者中划线组成，并且不能以空格开始和结束，长度为 1~64个字符。
描述 对于该策略的描述信息。
最大交互阶数 算法探索的最大的特征交互阶数。例如，当设定最大交互 阶数为4时，算法会探索2阶、3阶、4阶的特征交互组 合。默认3。
各阶隐向量长度 各阶特征交互使用的隐向量长度，数量需对应最大交互阶 数。默认10,60,80。
哈希长度 每阶特征交互所选择的group数量，数量需对应最大交互 阶数。默认10,60,80。
特征交互层惩罚项系数 特征交互层输出值的惩罚项系数，用来防止过拟合。默认 0.0001,0.0001,0.0001。
参数名称 说明
激活函数 神经网络中的激活函数，将一个（或一组）神经元的值映 射为一个输出值。
● relu
● tanh
● sigmoid
神经元值保留概率 神经网络前向传播过程中以该概率保留神经元的值。默认 度的一阶矩估计（First Moment Estimation，即梯度 的均值）和二阶矩估计（Second Moment
Estimation，即梯度的未中心化的方差）进行综合考
● adagrad：自适应梯度算法
对每个不同的参数调整不同的学习率，对频繁变化的
● ftrl：Follow The Regularized Leader
适用于处理超大规模数据的,含大量稀疏特征的在线学
参数名称 说明
正则损失计算方式 正则损失计算当前有两种方式。
● full：指针对全量参数计算。
● batch：则仅针对当前批数据中出现的参数计算 说明batch模式计算速度快于full模式。
L2正则项系数 叠加在模型的2范数之上，用来对模型值进行限制防止过 拟合。默认0。
隐向量层L2正则化系数 隐向量层使用的L2正则化系数，作用如“L2正则项系 数”描述。默认0.001。
wide部分L2正则化系数 wide层使用的L2正则化系数，作用如“L2正则项系数”
描述。默认0.001。
最大迭代轮数 模型训练的最大迭代轮数，默认50。
提前终止训练轮数 在测试集上连续N轮迭代AUC无提高时，迭代停止，训练 提前结束，默认5。
重新训练 对第一次训练无影响，仅影响任务重跑。
● “是”：清空上一轮的模型结果后重新开始训练。
● “否”：导入上一轮的训练结果继续训练。适用于欠 拟合的情况。
批量大小 一次训练所选取的样本数。
训练数据集切分数量 将整个数据集切分成多个子数据集，依次训练，每个 epoch训练一个子数据集。
融合多值特征 将多值特征的多个embedding融合成一个embedding。
融合线性部分 是否使用模型架构中的线性部分。
固定哈希结构 是否固定结构参数。默认值为“否”，非特殊情况建议使 用默认值。