离线调度说明

一、背景

本文实现的场景是广告的CTR预测。广告CTR预测是广告行业的典型应用，通过历史数据训练预测模型，对于每天的增量数据进行预测，找出广告的CTR符合标准的样本进行投放。整套实验使用了阿里云机器学习进行数据挖掘工作，通过大数据开发套件进行调度和推送。具体的业务场景是：通过历史数据在阿里云机器学习平台上面训练模型，通过大数据开发进行调度，每天凌晨对于每天的广告投放CTR预测，甄选出符合标准的广告推送出去。

二、数据集介绍

具体字段如下：

数据截图：

数据是通过random算法随机生成，所以本次实验不针对结果进行评估，主要介绍实验搭建以及和大数据开发套件的调度使用。数据包含20160919、20160920的历史数据，需要针对20160921的数据预测。使用的是MaxCompute的分区表。

三、机器学习平台

首先，实验流程图：

实验可以大致分为四个模块，数据源导入（ad），数据预处理（归一化），模型训练（逻辑回归二分类），预测（预测）。

数据源导入

• ad-2是训练数据源。
• ad-1是预测源，
• 
• 通过配置分区表的partition dt=@@{yyyyMMdd}，确定预测数据是每日的增量数据。（分区使用详情见：https://help.aliyun.com/document_detail/30281.html?spm=5176.doc30276.6.126.3kX7OU）

中间过程

中间过程包括数据的归一化、模型预测两个步骤。模型训练是通过历史数据训练生成的预测模型。(详细原理可以参考心脏病预测案例)

预测

最终预测生成的结果表为ad_result-1,数据如下：

• prediction_result包含每个广告id是否被点击，被点击是1，不被点击为0。
• prediction_score表示对应被点击概率

四、调度模块

进入数加的数据开发应用：

(1)新建工作流任务

• 在画布中可以拖动机器学习组件和ODPS_SQL组件进行工作流的搭建。

• 双击”广告预测”组件进入对应的机器学习模块，选择需要调度的机器学习实验：

• 返回，双击”每日预测值”组件，配置每日需要推送的信息，这里只需要推送预测结果是”被点击的广告”,
• 选择需要调度的时间，这里我选择每日的凌晨0点进行训练和推送信息。
• 点击“提交”按钮，即可在运维中心查看实验的运行状态。调度从第二天才正式开始，进入运维中心。可以查看实验的日志。