3. 預(yù)測系統(tǒng)核心介紹
3.1 預(yù)測系統(tǒng)核心層技術(shù)選型
預(yù)測系統(tǒng)核心層技術(shù)主要分為四層：基礎(chǔ)層、框架層、工具層和算法層
基礎(chǔ)層： HDFS用來做數(shù)據(jù)存儲，Yarn用來做資源調(diào)度，BDP(Big Data Platform)是京東自己研發(fā)的大數(shù)據(jù)平臺，我們主要用它來做任務(wù)調(diào)度。
框架層： 以Spark RDD、Spark SQL、Hive為主， MapReduce程序占一小部分，是原先遺留下來的，目前正逐步替換成Spark RDD。 選擇Spark除了對性能的考慮外，還考慮了Spark程序開發(fā)的高效率、多語言特性以及對機器學(xué)習(xí)算法的支持。在Spark開發(fā)語言上我們選擇了Python，原因有以下三點：
Python有很多不錯的機器學(xué)習(xí)算法包可以使用，比起Spark的MLlib，算法的準確度更高。我們用GBDT做過對比，發(fā)現(xiàn)xgboost比MLlib里面提供的提升樹模型預(yù)測準確度高出大概5%~10%。雖然直接使用Spark自帶的機器學(xué)習(xí)框架會節(jié)省我們的開發(fā)成本，但預(yù)測準確度對于我們來說至關(guān)重要，每提升1%的準確度，就可能會帶來成本的成倍降低。
我們的團隊中包括開發(fā)工程師和算法工程師，對于算法工程師而言他們更擅長使用Python進行數(shù)據(jù)分析，使用Java或Scala會有不小的學(xué)習(xí)成本。
對比其他語言，我們發(fā)現(xiàn)使用Python的開發(fā)效率是最高的，并且對于一個新人，學(xué)習(xí)Python比學(xué)習(xí)其他語言更加容易。
工具層： 一方面我們會結(jié)合自身業(yè)務(wù)有針對性的開發(fā)一些算法，另一方面我們會直接使用業(yè)界比較成熟的算法和模型，這些算法都封裝在第三方Python包中。我們比較常用的包有xgboost、numpy、pandas、sklearn、scipy和hyperopt等。
Xgboost：它是Gradient Boosting Machine的一個C++實現(xiàn)，xgboost最大的特點在于，它能夠自動利用CPU的多線程進行并行，同時在算法上加以改進提高了精度。
numpy：是Python的一種開源的數(shù)值計算擴展。這種工具可用來存儲和處理大型矩陣，比Python自身的嵌套列表結(jié)構(gòu)要高效的多(該結(jié)構(gòu)也可以用來表示矩陣)。
pandas：是基于NumPy 的一種工具，該工具是為了解決數(shù)據(jù)分析任務(wù)而創(chuàng)建的。Pandas 納入了大量庫和一些標準的數(shù)據(jù)模型，提供了高效地操作大型數(shù)據(jù)集所需的工具。
sklearn：是Python重要的機器學(xué)習(xí)庫，支持包括分類、回歸、降維和聚類四大機器學(xué)習(xí)算法。還包含了特征提取、數(shù)據(jù)處理和模型評估三大模塊。
scipy：是在NumPy庫的基礎(chǔ)上增加了眾多的數(shù)學(xué)、科學(xué)以及工程計算中常用的庫函數(shù)。例如線性代數(shù)、常微分方程數(shù)值求解、信號處理、圖像處理和稀疏矩陣等等。
算法層： 我們用到的算法模型非常多，原因是京東的商品品類齊全、業(yè)務(wù)復(fù)雜，需要根據(jù)不同的情況采用不同的算法模型。我們有一個獨立的系統(tǒng)來為算法模型與商品之間建立匹配關(guān)系，有些比較復(fù)雜的預(yù)測業(yè)務(wù)還需要使用多個模型。我們使用的算法總體上可以分為三類：時間序列、機器學(xué)習(xí)和結(jié)合業(yè)務(wù)開發(fā)的一些獨有的算法。
1. 機器學(xué)習(xí)算法主要包括GBDT、LASSO和RNN ：
GBDT：是一種迭代的決策樹算法，該算法由多棵決策樹組成，所有樹的結(jié)論累加起來做最終答案。我們用它來預(yù)測高銷量，但歷史規(guī)律不明顯的商品。
RNN：這種網(wǎng)絡(luò)的內(nèi)部狀態(tài)可以展示動態(tài)時序行為。不同于前饋神經(jīng)網(wǎng)絡(luò)的是，RNN可以利用它內(nèi)部的記憶來處理任意時序的輸入序列，這讓它可以更容易處理如時序預(yù)測、語音識別等。
LASSO：該方法是一種壓縮估計。它通過構(gòu)造一個罰函數(shù)得到一個較為精煉的模型，使得它壓縮一些系數(shù)，同時設(shè)定一些系數(shù)為零。因此保留了子集收縮的優(yōu)點，是一種處理具有復(fù)共線性數(shù)據(jù)的有偏估計。用來預(yù)測低銷量，歷史數(shù)據(jù)平穩(wěn)的商品效果較好。
2. 時間序列主要包括ARIMA和Holt winters ：
ARIMA：全稱為自回歸積分滑動平均模型，于70年代初提出的一個著名時間序列預(yù)測方法，我們用它來主要預(yù)測類似庫房單量這種平穩(wěn)的序列。
Holt winters：又稱三次指數(shù)平滑算法，也是一個經(jīng)典的時間序列算法，我們用它來預(yù)測季節(jié)性和趨勢都很明顯的商品。
3. 結(jié)合業(yè)務(wù)開發(fā)的獨有算法包括WMAStockDT、SimilarityModel和NewProduct等：
WMAStockDT：庫存決策樹模型，用來預(yù)測受庫存狀態(tài)影響較大的商品。
SimilarityModel：相似品模型，使用指定的同類品數(shù)據(jù)來預(yù)測某商品未來銷量。
NewProduct：新品模型，顧名思義就是用來預(yù)測新品的銷量。
3.2 預(yù)測系統(tǒng)核心流程
預(yù)測核心流程主要包括兩類：以機器學(xué)習(xí)算法為主的流程和以時間序列分析為主的流程。
1. 以機器學(xué)習(xí)算法為主的流程如下：
特征構(gòu)建：通過數(shù)據(jù)分析、模型試驗確定主要特征，通過一系列任務(wù)生成標準格式的特征數(shù)據(jù)。
模型選擇：不同的商品有不同的特性，所以首先會根據(jù)商品的銷量高低、新品舊品、假節(jié)日敏感性等因素分配不同的算法模型。
特征選擇：對一批特征進行篩選過濾不需要的特征，不同類型的商品特征不同。
樣本分區(qū)：對訓(xùn)練數(shù)據(jù)進行分組，分成多組樣本，真正訓(xùn)練時針對每組樣本生成一個模型文件。一般是同類型商品被分成一組，比如按品類維度分組，這樣做是考慮并行化以及模型的準確性。
模型參數(shù)：選擇最優(yōu)的模型參數(shù)，合適的參數(shù)將提高模型的準確度，因為需要對不同的參數(shù)組合分別進行模型訓(xùn)練和預(yù)測，所以這一步是非常耗費資源。
模型訓(xùn)練：待特征、模型、樣本都確定好后就可以進行模型訓(xùn)練，訓(xùn)練往往會耗費很長時間，訓(xùn)練后會生成模型文件，存儲在HDFS中。
模型預(yù)測：讀取模型文件進行預(yù)測執(zhí)行。
多模型擇優(yōu)：為了提高預(yù)測準確度，我們可能會使用多個算法模型，當每個模型的預(yù)測結(jié)果輸出后系統(tǒng)會通過一些規(guī)則來選擇一個最優(yōu)的預(yù)測結(jié)果。
預(yù)測值異常攔截：我們發(fā)現(xiàn)越是復(fù)雜且不易解釋的算法越容易出現(xiàn)極個別預(yù)測值異常偏高的情況，這種預(yù)測偏高無法結(jié)合歷史數(shù)據(jù)進行解釋，因此我們會通過一些規(guī)則將這些異常值攔截下來，并且用一個更加保守的數(shù)值代替。
模型評價：計算預(yù)測準確度，我們通常用使用mapd來作為評價指標。
誤差分析：通過分析預(yù)測準確度得出一個誤差在不同維度上的分布，以便給算法優(yōu)化提供參考依據(jù)。
2. 以時間序列分析為主的預(yù)測流程如下：
3.3 Spark在預(yù)測核心層的應(yīng)用
我們使用Spark SQL和Spark RDD相結(jié)合的方式來編寫程序，對于一般的數(shù)據(jù)處理，我們使用Spark的方式與其他無異，但是對于模型訓(xùn)練、預(yù)測這些需要調(diào)用算法接口的邏輯就需要考慮一下并行化的問題了。我們平均一個訓(xùn)練任務(wù)在一天處理的數(shù)據(jù)量大約在500G左右，雖然數(shù)據(jù)規(guī)模不是特別的龐大，但是Python算法包提供的算法都是單進程執(zhí)行。我們計算過，如果使用一臺機器訓(xùn)練全部品類數(shù)據(jù)需要一個星期的時間，這是無法接收的，所以我們需要借助Spark這種分布式并行計算框架來將計算分攤到多個節(jié)點上實現(xiàn)并行化處理。
我們實現(xiàn)的方法很簡單，首先需要在集群的每個節(jié)點上安裝所需的全部Python包，然后在編寫Spark程序時考慮通過某種規(guī)則將數(shù)據(jù)分區(qū)，比如按品類維度，通過groupByKey操作將數(shù)據(jù)重新分區(qū)，每一個分區(qū)是一個樣本集合并進行獨立的訓(xùn)練，以此達到并行化。流程如下圖所示：
偽碼如下：
repartitionBy方法即設(shè)置一個重分區(qū)的邏輯返回(K,V)結(jié)構(gòu)RDD，train方法是訓(xùn)練數(shù)據(jù)，在train方法里面會調(diào)用Python算法包接口。saveAsPickleFile是Spark Python獨有的一個Action操作，支持將RDD保存成序列化后的sequnceFile格式的文件，在序列化過程中會以10個一批的方式進行處理，保存模型文件非常適合。
雖然原理簡單，但存在著一個難點，即以什么樣的規(guī)則進行分區(qū)，key應(yīng)該如何設(shè)置。為了解決這個問題我們需要考慮幾個方面，第一就是哪些數(shù)據(jù)應(yīng)該被聚合到一起進行訓(xùn)練，第二就是如何避免數(shù)據(jù)傾斜。
針對第一個問題我們做了如下幾點考慮：
被分在一個分區(qū)的數(shù)據(jù)要有一定的相似性，這樣訓(xùn)練的效果才會更好，比如按品類分區(qū)就是個典型例子。
分析商品的特性，根據(jù)特性的不同選擇不同的模型，例如高銷商品和低銷商品的預(yù)測模型是不一樣的，即使是同一模型使用的特征也可能不同，比如對促銷敏感的商品就需要更多與促銷相關(guān)特征，相同模型相同特征的商品應(yīng)傾向于分在一個分區(qū)中。
針對第二個問題我們采用了如下的方式解決：
對于數(shù)據(jù)量過大的分區(qū)進行隨機抽樣選取。
對于數(shù)據(jù)量過大的分區(qū)還可以做二次拆分，比如圖書小說這個品類數(shù)據(jù)量明顯大于其他品類，于是就可以分析小說品類下的子品類數(shù)據(jù)量分布情況，并將子品類合并成新的幾個分區(qū)。
對于數(shù)據(jù)量過小這種情況則需要考慮進行幾個分區(qū)數(shù)據(jù)的合并處理。
總之對于后兩種處理方式可以單獨通過一個Spark任務(wù)定期運行，并將這種分區(qū)規(guī)則保存。
未完待續(xù)......
