深度學習在推薦系統的應用(二)
AFM模型(Attentional Factorization Machine)
- 模型原始論文
Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks - 模型架構
- 模型原理
\[ ŷ_{AFM}(x)=ω_0+∑_{i=1}^{n}ω_{i}x_{i}+p^T∑^{n}_{i=1}∑^{n}_{j=i+1}a_{ij}(v_i⊙v_j)x_ix_j \]
-
模型特點
相對FM,AFM引入attention-based pooling,其學習出來的引數值用於判斷不同特徵之間互動的重要性。
FwFM模型(Field-weighted Factorization Machines)
- 模型原始論文
Field-weighted Factorization Machines for Click-Through Rate Prediction in Display Advertising -
模型架構
-
模型原理
\[ Φ_{FwFMs}((w,v), x) = w_{0} +∑_{i=1}^{m}x_iw_i +∑_{i=1}^{m}∑_{j=i+1}^{m}x_ix_j⟨v_i,v_j⟩r_{F (i),F (j)} \]
-
模型特點
相對FM,AFM引入attention-based pooling,其學習出來的引數值用於判斷不同特徵之間互動的重要性。
FwFM模型(Field-weighted Factorization Machines)
- 模型原始論文
Field-weighted Factorization Machines for Click-Through Rate
Prediction in Display Advertising
-
模型架構
-
模型原理
\[ Φ_{FwFMs}((w,v), x) = w_{0} +∑_{i=1}^{m}x_iw_i +∑_{i=1}^{m}∑_{j=i+1}^{m}x_ix_j⟨v_i,v_j⟩r_{F (i),F (j)} \]
-
模型特點
FwFM是在WWW'18上由Oath公司提出的點選率預估模型，針對FFM引數量大的不足提出了改進並在著名的公開資料集Criteo上驗證有效。從模型形式上可以看出FwFM與FM區別僅在於FwFM給每個二階交叉項引入了一個實數weight:
\[ r_{F (i),F (j)} \]
總計多出m*(m-1)/2個引數,m是field個數。
xDeepFM(極深因子分解機模型)
- 模型原始論文
xDeepFM: Combining Explicit and Implicit Feature Interactions for
Recommender Systems
-
模型架構
-
模型原理
1.CIN結構:
2.矩陣 \[ ^ \] 中的第ℎ行的計算公式如下：
\[ X_{h,*}^k = \sum_{i=1}^{H_{k-1}}\sum_{j=1}^m{W_{ij}^{k,h}(X_{i,*}^{k-1} \circ X_{j,*}^0)} \]
- 模型特點
微軟亞洲研究院社會計算 組提出了一種 極深因子分解機模型 （xDeepFM），不僅能同時以顯式和隱式的方式自動學習高階的特徵互動，使特徵交互發生在向量級，還兼具記憶與泛化的學習能力。 - 模型案例
推薦系統遇上深度學習(二十二)--DeepFM升級版XDeepFM模型強勢來襲！
特徵互動：一種極深因子分解機模型（xDeepFM）
Leavingseason/xDeepFM