推荐系统炼丹笔记：聊一聊特征交叉新方式CAN

作  者：一元
公众号：炼丹笔记

昨天看非常多的群友在讨论该篇文章，很是好奇，今天就读了一下，个人感觉本文的co-action操作还是第一次碰到，但该方案在amazu等数据集上对比的方案还是较为弱的，所以是否效果比xDeepFM和NFFM等要好，还是一个问好，但是新的表示co-action的方案还是很值得思考的。有任何问题欢迎最后入群交流。好了下面进入正文，Let's Go!

目前基于特征交互的模型可以大致分为三类：

1. Aggregation based方法:聚合用户的历史行为序列来获得CTR预估的判别表示;
2. Graph based方法: 将特征作为节点, 通过有向和无向图的方式连接, 在这种情况下，特征协同作用作为信息沿边缘传播的边缘权重;
3. Combinatorial embedding方法:直接明显的组合特征的embedding;

基于Aggregation的方法和基于Graph的方法只通过边的权值对特征的协同作用进行建模，但是边缘只用于信息聚合，而不用于信息扩充。组合嵌入方法，另一方面，结合两个特征的嵌入来建立特征的共同作用，但组合嵌入法的问题在于, 嵌入负责表示学习和协同作用建模，而表示学习和协同建模可能会互相冲突最终使我们的效果受限。

本文提出了feature Co-Action Network(CAN)捕获在输入阶段的特征的co-action并且利用交互和共同信息来对最终模型的效果进行提升。

回顾CTR预测问题的特征Co-action