这两天在用spark做点击率的贝叶斯平滑,参考雅虎的论文进行了一番尝试。
先上代码:
1 # click_count, show_count # this method takes time 2 def do_smooth(data_list): 3 import scipy.special as sp 4 a, b, i = 1.0, 1.0, 0 5 da, db = a, b 6 while i < 1000 and (da > 1.0E-10 or db > 1.0E-10): 7 x1, y1, x2 = 0.0, 0.0, 0.0 8 for lineList in data_list: 9 x1 += sp.digamma((lineList[0]) + a) - sp.digamma(a) 10 y1 += sp.digamma((lineList[1]) + a + b) - sp.digamma(a + b) 11 x2 += sp.digamma((lineList[1]) - (lineList[0]) + b) - sp.digamma(b) 12 na, nb = a, b 13 a *= (x1 / y1) 14 b *= (x2 / y1) 15 da, db = abs(a - na), abs(b - nb) 16 i += 1 17 print i, a, b 18 return a, b
这是我之前用的python代码,改成scala也相当容易,digamma函数非常耗时,而且还要迭代1000次。最要命的是digamma在scala里面默认的实现会出现栈溢出!!!
var a, b, da, db: Double = 1.0 var index = 0 while (index < 1000 && (da > 1.0E-9 || db > 1.0E-9)) {var x1,x2,y1 = 0.0traindata.foreach(p => {x1 += MBlas.digamma(p(2) + a) - MBlas.digamma(a)y1 += MBlas.digamma(p(1) + a + b) - MBlas.digamma(a + b)x2 += MBlas.digamma(p(1) - p(2) + b) - MBlas.digamma(b)val na = aval nb = ba *= (x1 / y1)b *= (x2 / y1)da = Math.abs(a - na)db = Math.abs(b - nb)}) }
digamma 函数是个递归函数,问题就处在递归上了。
1 public static double digamma(double x) { 2 if (x > 0 && x <= S_LIMIT) { 3 return -GAMMA - 1 / x; 4 } 5 if (x >= C_LIMIT) { 6 double inv = 1 / (x * x); 7 return FastMath.log(x) - 0.5 / x - inv * ((1.0 / 12) + inv * (1.0 / 120 - inv / 252)); 8 } 9 return digamma(x + 1) - 1 / x; 10 }
既然知道问题所在,是不是就可以重写递归为非递归呢?在Stack Overflow上找到了一个答案
1 val GAMMA = 0.577215664901532860606512090082 2 val GAMMA_MINX = 1.e-12 3 val DIGAMMA_MINNEGX = -1250 4 val C_LIMIT = 49 5 val S_LIMIT = 1e-5 6 var value = 0.0 7 var x = input 8 while (true) { 9 if (x >= 0 && x < GAMMA_MINX) x = GAMMA_MINX 10 if (x < DIGAMMA_MINNEGX) { 11 x = DIGAMMA_MINNEGX + GAMMA_MINX 12 } else { 13 if (x > 0 && x <= S_LIMIT) return value + -GAMMA - 1 / x 14 if (x >= C_LIMIT) { 15 val inv = 1 / (x * x) 16 return value + Math.log(x) - 0.5 / x - inv * ((1.0 / 12) + inv * (1.0 / 120 - inv / 252)) 17 } 18 value = value - 1.0 / x 19 x += 1 20 } 21 }
经测试,没看出什么问题,可以用了。
不过,上面的代码并没有解决慢的问题,当需要计算CTR的对象比较多时(几百万),仍然比较耗时。所以我决定用两个替代方法:
- 抽样,抽取能在可接受时间内出结果的样本数,得到α和β;
- 直接使用平均值作为α和β
- 使用平均值做迭代初值(推荐)
参考:
1. 雅虎专家的论文,如上
2. Stack Overflow 网友代码,如上