本文描述了猿輔導(dǎo)開源分布式機器學(xué)習(xí)庫ytk-learn及分布式通信庫ytk-mp4j的相關(guān)內(nèi)容，可實現(xiàn)在多應(yīng)用場景中使用。ytk-learn 是基于Java的高效分布式機器學(xué)習(xí)庫， 簡單易用，文檔詳細(xì)，只需要用戶安裝Java 8運行時環(huán)境即可，而且所有模型都有可運行的demo。

猿輔導(dǎo)公司開源了兩個機器學(xué)習(xí)項目——ytk-learn， ytk-mp4j，其中 ytk-mp4j 是一個高效的分布式通信庫，基于該通信庫我們實現(xiàn)了 ytk-learn 分布式機器學(xué)習(xí)庫，該機器學(xué)習(xí)庫目前在猿輔導(dǎo)很多應(yīng)用場景中使用，比如，自適應(yīng)學(xué)習(xí)、學(xué)生高考分預(yù)測、數(shù)據(jù)挖掘、課程推薦等。

ytk-learn分布式機器學(xué)習(xí)庫

項目背景

LR（Logistic Regression）， GBDT（Gradient Boosting Decision Tree）， FM（Factorization Machines）， FFM（Field-aware Factorization Machines） 模型是廣告點擊率預(yù)測和推薦系統(tǒng)中廣泛使用的模型，但是到目前為止幾乎沒有一個高效的機器學(xué)習(xí)開源項目集這幾種常用模型于一身，而且很多機器學(xué)習(xí)開源項目只能在特定計算平臺下使用，最重要的是不能高效的整合到線上生產(chǎn)環(huán)境中。ytk-learn 就是解決以上問題而產(chǎn)生的。

圖1 ytk-learn 特性概略

項目簡介

ytk-learn 是基于Java的高效分布式機器學(xué)習(xí)庫，實現(xiàn)大量的主流傳統(tǒng)機器學(xué)習(xí)模型（GBDT， LR， FM， FFM等）和loss函數(shù)，支持單機多線程、多機集群及分布式計算環(huán)境。

其中 GBDT/GBRT 的實現(xiàn)借鑒吸收了 XGBoost 和 LightGBM 的大部分有用特性，支持特征并行和數(shù)據(jù)并行，支持傳統(tǒng)的精確算法和直方圖近似算法，支持 level-wise 或者 leaf-wise 的建樹方式，而且還實現(xiàn)了分布式帶權(quán)分位數(shù)近似。在單機數(shù)據(jù)并行的場景中訓(xùn)練速度跟 XGBoost 相當(dāng)，在非$2^n$臺機器的分布式場景中比 LightGBM 速度更快，更穩(wěn)定。

傳統(tǒng)的 GBDT/GBRT 在含有大量 Categorical 特征的場景中無法使用，我們實現(xiàn)了多種適用于大量 Categorical特征的 GBST（Gradient Boosting Soft Tree）模型，在猿輔導(dǎo)的點擊率預(yù)測和推薦場景中效果明顯好于LR、FM、FFM等模型。

ytk-learn 實現(xiàn)了改進的 Hoag（Hyperparameter optimization with approximate gradient， ICML2016）算法，能夠自動高效的進行超參數(shù)搜索。當(dāng)目標(biāo)函數(shù)是凸函數(shù)時，hoag 能快速得到最優(yōu)超參數(shù)（kaggle 比賽利器），效率明顯高于傳統(tǒng)的網(wǎng)格超參數(shù)搜索算法（grid search），而且在非凸目標(biāo)函數(shù)場景中也適用。

其他特性：

1. 簡單易用，文檔詳細(xì)，只需要用戶安裝Java 8運行時環(huán)境即可，而且所有模型都有可運行的demo

2. 支持主流的操作系統(tǒng)：Linux，Windows，Mac OS，僅需安裝Java8運行環(huán)境即可使用

3. 支持單機多線程，多機集群及分布式環(huán)境（Hadoop，Spark），相比Hadoop Mahout， Spark MLlib效率高很多

4. 提供簡單易用的在線預(yù)測代碼，可以方便整合到線上生成環(huán)境

5. 支持多種目標(biāo)函數(shù)和評估指標(biāo)，支持L1，L2，L1+L2正則

6. 樹模型支持樣本采樣，特征采樣，提供初始預(yù)估值的訓(xùn)練

7. 支持特征預(yù)處理（歸一化，縮放），特征哈希，特征過濾，基于樣本標(biāo)簽采樣

8. 提供了讀取數(shù)據(jù)時進行高效數(shù)據(jù)處理的python腳本

9. 訓(xùn)練模型支持checkpoint，繼續(xù)訓(xùn)練

10. LR 支持 Laplace 近似，方便做 Exploitation&Exploration

11. 基于猿輔導(dǎo)的 ytk-mp4j 通信庫，分布式訓(xùn)練效率非常高