上个月，参加了百度技术沙龙， 夏粉的《广告数据上的大规模机器学习》讲座介绍了大规模机器学习中的若干重要问题。遗憾的是，百度的相关算法没有公开的论文。
1. 数据处理
目标： 获取信息， 去除噪音
机器学习技术点： 选择对点击概率分布 预估足够多样本
解决方法： a. 不可见和不完整样本过滤; b. 样本采样; c. 异常样本检测
算法：a. 百度 SA算法; b. Google (KDD 2013)
2. 特征处理
问题：大量的类型型特征和ont-hot特征导致海量特征
目标： 选择尽可能少的特征来表示模型和数据
机器学习技术点： 特征选择； 特征删减
算法： a. 百度 Fea-G算法 (理论上保证无损)； b. Google (新特征以概率p加入BloomFilter+次数超过n)
3. 深度特征学习
问题： 为了描述特征之间的非线性关系，而构造高阶组合特征怎么自动化？人工构造耗时耗力且难于推广
算法：百度 DANOVA算法， 能使得特征挖掘效率提升上千倍
4. 模型时效性
问题： 模型更新的时候训练数据尽可能少
技术挑战：时效性，稀疏性， 稳定性
算法： 稀疏在线算法
a. Google 保留前N次模型梯度方法， 不够稳
b. 百度 SOA算法
5. 模型训练
问题： 怎么寻找更好的优化方向，减少迭代的轮数
算法： 百度Shooting算法，相比传统的LBFGS从平均50轮，降低为5轮，训练更充分
参考文献
1. Ad Click Prediction: a View from the Trenches (KDD 2013 Google)
2. Lessons learned by developing large scale practical machine learning system (Google Seti Project. Simon Tong 04/06/2010)
百度技术沙龙 - 广告数据上的大规模机器学习,布布扣,bubuko.com