TensorFlow在CTR预估中的应用：DNN落地实践-李珂

"AICon2018大会的演讲资料，主题是《借助TensorFlow在CTR预估中快速落地DNN》，由vivo AI团队负责人李珂分享。内容涵盖了广告CTR系统架构、选择TensorFlow的原因、分布式TensorFlow训练以及TensorFlow Serving的实时推断方案。" 在这份资料中，李珂探讨了如何利用TensorFlow来优化广告点击率（CTR）的预测系统。首先，广告CTR系统架构是一个关键环节，它涉及前端请求、个性化CTR判断、实时预测、统计CTR等多个步骤。当用户发起请求时，系统会根据用户基础数据、用户行为数据和物品数据进行实时预测，然后通过特征工程和模型训练来生成模型。在线验证和离线特征处理是保证模型准确性的必要过程，而实时数据和实时用户行为则为系统提供了持续更新的信息。 为什么选择TensorFlow？主要因为DNN（深度神经网络）在CTR预估中的优势。在特征不变的情况下，DNN可以显著提升算法效果，它被认为是CTR预估的最后前沿，能够捕捉到特征工程难以提取的复杂特征。然而，DNN也面临挑战，如巨大的计算量，以及对推理性能的高要求，特别是对于那些基于Java技术栈的互联网公司来说，通常需要使用C++进行推理实现。而TensorFlow则能有效解决这些问题，它的分布式模式支持大规模训练，HDFS接口方便与Hadoop数据源集成，同时TensorFlow Serving解决了在线推理问题，使得在TensorFlow中设计的网络结构可以轻松应用于服务端。 在分布式TensorFlow训练中，有几个核心概念需要理解：Task、Job和Cluster。Task对应一个TensorFlow Server，通常是一个单进程实体，可以指定在特定的Job和Task索引下运行。Job是一组具有共同目标的Tasks，如参数服务器（PS）Job用于存储和共享变量，worker Job负责计算密集型任务。Cluster则包含了所有参与计算的Task，它们可能分布在不同的服务器上。 这份资料详细介绍了如何利用TensorFlow在CTR预估中部署DNN模型，从系统架构设计到实际训练和推理方案，为读者提供了一套完整的实践指南。通过理解这些内容，开发者可以更好地理解和应用深度学习技术来优化广告系统的性能。