问题出现在了哪里？模型线下提升但线上没有提升

阳光穿透心脏的1/2处 2022-09-17 05:22 104阅读 0赞

原因分析:

# 1 offline 与 online 的特征没有对齐 #

工作中添加新的特征经常会出现offline配置文件没有同步到online，特征解析错误或者抽取方式存在区别，这些均会导致offline模型训练用到的数据和online预测用到的数据不一致。因此需要上线特征之前，需要先对比相同样本 online和offline特征是否对齐。

# 2 online特征监控 #

特征来源有很多方法，直接线上抽取、从DB获取、从redis获取等，一旦某个环节出现问题，就会导致特征缺失甚至错误，因此需要针对不同来源的特征进行监控，例如各个时段特征分布、峰值、耗时等。

# 3 特征更新不符合预期 #

用户侧和物品侧不同特征更新的频率不同：

长期：用户年龄、性别；物品的类别、来源，周级别更新就可以  
中期：用户物品画像中的统计特征，例如某个topic下点击率，某文章昨天的统计特征，天级别更新  
短期：app安装列表  
实时：用户点击物品后兴趣/点击历史等需要及时更新、物品当前总的pv等

特征更新延迟，例如今天晚上预测用的用户前几次行为之前的画像，因为用户短时兴趣和电机列表话，会导致线上实验效果的衰减会特别厉害。

# 4 偏置特征的使用 #

对于bias特征，例如position bias，使用不当会造成offline和online的差距很大。

[线上效果只和用户看到后的点击的可能性有关，和position等偏置因素无关的。而线下一般是不同position的样本混合训练，因此线上和线下评估不对等。][position_position]

# 5 数据划分的问题 #

训练集和测试集存在重叠的部分

# 6 数据穿越 #

样本数据含昨天/今天的数据，7:3 按随机方式划分数据，训练数据今明两天的都有，测试数据今明两天的也都有, 不能保证测试数据比训练数据新。

# 7 模型训练时过拟合了 #

# 8 线上服务不正常 #

线上服务挂了、serving超时、模型实时更新延迟或者中断

# 9 流量划分偏差 #

模型的验证都是通过AB实验完成的，如果流量划分不均匀正交会带来偏差，结果也就没有置信度，常用方法是通过AABB来判断提升是否稳定。

# 10 上线实验后训练数据分布变化 #

模型offline评估时拟合的是base模型跑出来的数据分布，online上训练数据里既有base模型产生的也有treat模型产生的训练数据，且treat模型产生的训练数据占比在不断变化，也就死数据分布在变。常用办法是在模型训练过程中，将model\_name作为bias特征，添加到wide部分。

# Reference #

*  [线下AUC提升不能带来线上提升][position_position]
 *  [线上线下效果一致性杂谈][Link 1]

欢迎关注微信公众号（算法工程师面试那些事儿)，本公众号聚焦于算法工程师面试，期待和大家一起刷leecode，刷机器学习、深度学习面试题等，共勉～

![算法工程师面试那些事儿][7db25557596b1eed14977d937ea2cc5a.png]

[position_position]: https://zhuanlan.zhihu.com/p/58152702
[Link 1]: https://zhuanlan.zhihu.com/p/346160286
[7db25557596b1eed14977d937ea2cc5a.png]: /images/20220828/85da9ba9739c496fa0c86fb83ee82c87.png

问题出现在了哪里？模型线下提升但线上没有提升

发表评论取消回复

还没有评论，来说两句吧...

相关阅读

相关实战提升：Java多线程编程常见问题案例

相关上线后出现问题，被自己坑了...

相关糟了，线上服务出现OOM了

相关上传了ipa但iTunes Connect没有构建版本问题

相关 linux的yum放在哪里,linux – yum放在哪里提升？

相关线上问题改造-如何思考、从哪里下手

相关问题出现在了哪里？模型线下提升但线上没有提升

相关 DevOps 能力提升模型

相关 Nginx性能提升--引入线程池性能提升9倍

相关线程没有同步出现的问题