本文详细介绍了CFM（Convolutional Factorization Machines）模型，它结合了3D卷积和因子分解机FM，用于解决推荐系统中特征交互的建模问题。CFM通过自注意力机制池化层、外积交互层和3D卷积层，有效地捕捉特征间的高阶交互。文章涵盖了模型的各个组成部分，包括输入和嵌入层、自注意力池化、交互层、3D卷积层以及模型训练细节。
本文介绍的是IJCAI-19的一篇论文，题目为《CFM: Convolutional Factorization Machines for Context-Aware Recommendation》，将卷积神经网络和因子分解机FM相结合，提出了CFM模型，一起来学习下！
论文下载地址：https://www.ijcai.org/Proceedings/2019/0545.pdf
1、背景
在推荐系统中，提升模型效果的一个很关键的方面是建模特征之间交互关系。那么目前存在的方法主要包括两种：
1）人工进行特征交叉，如逻辑回归模型，这需要很强的专业知识和业务理解。
2）由模型自动进行特征交叉，如因子分解机FM。但是FM模型在进行特征交叉时，对特征对应的嵌入向量使用的是求内积的方法，这隐含了一个前提，嵌入向量不同维度之间是相互独立的（因为内积是对位相乘），而没有考虑嵌入向量不同维度之间的关系。如特征f1对应的嵌入向量是[x1,x2,x3]，特征f2对应的嵌入向量是[y1,y2,y3]，那么FM在做内积的时候，只有x1y1，x2y2，x3y3，而x1y2、x1y3等没有考虑。
为了解决上述的问题，本文将FM和卷积神经网络相结合，提出了Convolutional Factorization Machine (CFM) ，一起来学习一下。
2、CFM模型
2.1 整体概述
CFM模型的
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
