《推荐系统》-NFM模型

最新推荐文章于 2023-09-08 21:05:24 发布

算法手记

最新推荐文章于 2023-09-08 21:05:24 发布

阅读量390

点赞数

分类专栏：推荐系统

本文链接：https://blog.csdn.net/m0_37748303/article/details/109212794

版权

NFM（Neural Factorization Machine）模型结合了FM模型和深度学习，用于解决CTR预估中的特征交互问题。NFM通过Bi-Interaction Layer模拟FM的二次项，再通过多层神经网络捕捉复杂非线性关系，提高了预测准确性，并降低了复杂度。相较于FM，NFM能更好地处理特征间的多阶交互信息。

摘要由CSDN通过智能技术生成

1、引言

在CTR预估中，为了解决稀疏特征的问题，学者们提出了FM模型来建模特征之间的交互关系。但是FM模型只能表达特征之间两两组合之间的关系，无法建模两个特征之间深层次的关系或者说多个特征之间的交互关系，因此学者们通过Deep Network来建模更高阶的特征之间的关系。因此 FM和深度网络DNN的结合也就成为了CTR预估问题中主流的方法。有关FM和DNN的结合有两种主流的方法，并行结构和串行结构。两种结构的理解以及实现如下表所示：
在这里插入图片描述
图1、两种结构的理解

今天介绍的NFM模型(Neural Factorization Machine)，便是串行结构中一种较为简单的网络模型。

2、NFM模型介绍

我们首先来回顾一下FM模型，FM模型用n个隐变量来刻画特征之间的交互关系。这里要强调的一点是，n是特征的总数，是one-hot展开之后的，比如有三组特征，两个连续特征，一个离散特征有5个取值，那么n=7而不是n=3.
$y(x)=w_{0}+ \sum_{i=1}^n w_{i} x_{i}+ \sum_{i=1}^{n} \sum_{j=i+1}^n <v_{i}, v_{j}> x_{i} x_{j}$