排序策略-离线排序模型

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。

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。

优化器类型

• grad：梯度下降算法
  • 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。
• adam：自适应矩估计算法
  结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计（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优化算法。

  • 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0.1。
  • 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。
  • L1正则项系数：叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。默认0。
  • 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。

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。

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。

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。

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。

优化器类型

• grad：梯度下降算法
  • 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。
• adam：自适应矩估计算法
  结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计（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优化算法。

  • 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0.1。
  • 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。
  • L1正则项系数：叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。默认0。
  • 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。

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。

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。

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。

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。

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。

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。

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。

优化器类型

• grad：梯度下降算法
  • 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。
• adam：自适应矩估计算法
  结合AdaGrad和RMSProp两种优化算法的优点，对梯度的一阶矩估计（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优化算法。

  • 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0.1。
  • 初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。
  • L1正则项系数：叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。默认0。
  • 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。

结构部分优化器

详细参数请参见优化器类型。

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。