FM、FFM等ctr模型的整理分析

最新推荐文章于 2023-05-11 20:51:22 发布
最新推荐文章于 2023-05-11 20:51:22 发布
阅读量216 收藏
点赞数
分类专栏： 【推荐系统】 文章标签： 点击率预估模型
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qiyihan/article/details/115072204
版权

目录

FM

结构图

在这里插入图片描述

理解

FM的embedding层并没有对特征区分不同的操作，embedding之后即对 ei进行内积操作得到结果后简单的输出最终结果

FFM

结构图

在这里插入图片描述

理解

FFM相比FM在embedding层加入了文中的operation-aware操作，即对每次不同的内积操作，同一个特征的embedding方法是不同的。但相比ONN没有deep部分以及embedding的原始结果作为deep部分的输入，所以表现力还是有所欠缺。

KryHan
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
CTR预估算法之FM，实践项目代码包 + 数据集奉上
niuyunpang的博客
04-19 352
FM(Factorization Machine)主要目标是：解决数据稀疏的情况下，特征怎样组合的问题。该模型预测的复杂度是线性的。FM不仅继承了过去协同过滤、矩阵分解、逻辑回归等算法的特点，而且是后来众多模型改进的基础。 而且FM还是一种比较灵活的模型，通过合适的特征变换方式，FM可以模拟二阶多项式核的SVM模型、MF模型、SVD++模型等。 相比SVM的二阶多项式核而言，FM在样本稀疏的情况下是有优势的；而且，FM的训练/预测复杂度是线性的，而二项多项式核SVM需要计算核矩阵，核矩阵复杂度就是N平方。
CTR经典模型串讲：FM / FFM / 双线性 FFM 相关推导与理解
VariableX的博客
07-23 1423
FM 在计算广告领域，因子分解机(Factorization Machines，FM)是很经典的模型，面对量大且稀疏的数据，此算法仍然可以取得比较优秀的效果。 假设有下面的数据： Clicked? Country Day Ad_type 1 USA 26/11/15 Movie 0 China 1/7/14 Game 1 China 19/2/15 Game 其中，Clicked? 是label，Country、Day、Ad_type是特征。由于三种特征都是类别型的，需要经过独热
【转载】深入FFM原理与实践
热门推荐
xceman1997的专栏
03-05 1万+
原文地址：http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html 深入FFM原理与实践 del2z, 大龙 ·2016-03-03 09:00 FM和FFM模型是最近几年提出的模型，凭借其在数据量比较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果的特性，屡
聊聊FFM在CTR预估中的应用
hestendelin的专栏
08-13 495
CTR预估在计算广告学中具有非常重要的作用。其中，基于分解机FM（factorization machines）的模型在CTR预估中广泛应用。FM的变形，FFM（fiel...
[CTR]CTR之fm以及ffm
孙佰贵的专栏
07-28 8732
在CTR中对ID特征vector化，然后求解最小loss一种常见的解决方案，如下收藏两个比较好用的方法，fm以及ffm。其中ffm在前两年的kaggle CTR相关比赛中，都能看到它的身影。
FM &FFM：深入理解FM与FFM
竹石破岩
03-07 2180
0.引言 针对类别变量进行oner-hot编码后的高维稀疏矩阵M，可以表示如下： 可以看出，经过One-Hot编码之后，大部分样本数据特征是比较稀疏的， One-Hot编码的另一个特点就是导致特征空间大。例如，电影品类有550维特征，一个categorical特征转换为550维数值特征，特征空间剧增。 同时通过观察大量的样本数据可以发现，某些特征经过关联之后，与label之间的相关...
[深度学习] FM & FFM 算法基本原理
摩登都市天空---专栏
06-23 1480
在推荐系统和计算广告业务中，点击率CTR（click-through rate）和转化率CVR（conversion rate）是衡量流量转化的两个关键指标。准确的估计CTR、CVR对于提高流量的价值，增加广告及电商收入有重要的指导作用。 无论使用什么类型的模型，点击率这个命题可以被归纳到二元分类的问题，我们通过单个个体的特征，计算出对于某个内容，是否点击了，点击了就是1，没点击就是0。对于任何二元分类的问题，最后我们都可以归结到逻辑回归上面。 早期的人工特征工程 + LR(Logisti...
FM/FFM模型 学习总结
jliang3的博客
12-25 2220
作者：jliang https://blog.csdn.net/jliang3 1.重点归纳 1）FM和FFM模型凭借在数据量较大并且特征稀疏的情况下，仍然能够得到优秀的性能和效果，屡次在各大公司举办的CTR预估比赛中获得不错的战绩。 2）FM旨在解决稀疏数据下的特征组合问题，使用矩阵分解的方法来求解参数，从而降低计算复杂度为线性。 （1）模型： （2）损失函数 回归问题：最小平...
CTR预估之FMs系列模型:FM/FFM/FwFM/FEFM
sgyuanshi的博客
05-11 1449
搜广推系统一般包括召回和排序，ctr预估一般应用于排序阶段。而像推荐系统，一个鲜明的特点就是数据极特别稀疏。下面，我们会持续学习那些针对稀疏数据的ctr任务而提出的模型，这篇文章则主要是关于FM系列
CTR预估模型原文汇总
12-08
CTR预估相关模型原文汇总，其中包括DeepFM、AFM、DIN、DIEN、FM、FFM、FNN、NFM、Wide&Deep;、PNN等模型。
CTR:CTR模型代码和学习笔记总结
03-21
CTR学习笔记 运行：python main.py --model DeepFM-步进火车-数据集普查--clear_model 1 要求：张量流1.15 已完成模型列表[支持数据集] FM [普查] 实况调查团[人口普查] 嵌入+ MLP [普查] 广泛[深度] FNN [普查] ...
从FM到FFM.pdf
04-27
美团技术团队的FM各类模型分析，侵删。
ffm及deepffm模型在推荐系统的探索及实践-张俊林-v7-终版.pdf
01-07
deepfm模型分享，ffm及deepffm模型在推荐系统的探索及实践-张俊林-v7-终版，微博在热门微博等业务中ffm模型的实践。
ffm算法的详细解读.docx
06-30
为了防止下次再找FFM算法相关内容，对FFM算法公式的仔细解读与应用说明。方便以后使用。
推荐系统之路
因上努力，果上随缘的博客
04-06 3360
目录推荐系统常见行业应用电商资讯游戏视频推荐系统学习路径推荐算法工程师算法基础--->机器学习--->代码能力--->工程能力--->推荐系统相关技术简介召回排序重排推荐算法岗位面试要点 深度之眼直播课笔记 推荐系统常见行业应用 电商 淘宝 资讯 头条 游戏 腾讯游戏 视频 爱奇艺 推荐系统学习路径 推荐算法工程师 算法基础—> 高等数学 线性代数 概率论 离散数学 机器学习—> 传统模型：LR、SVM、决策树等 深度学习模型：DNN、LSTM、GRU 图模型：应用在
十个推荐系统的开源项目
因上努力，果上随缘的博客
04-08 2475
10个开源的推荐系统 1、muricoca/crab https://github.com/muricoca/crab 2、ibayer/fastFM https://github.com/ibayer/fastFM 3、Mendeley/mrec https://github.com/mendeley/mrec 4、MrChrisJohnson/logistic-mf https://github.com/MrChrisJohnson/logistic-mf 5、jadianes/winerama-rec
【deepctr】学习入门笔记01
因上努力，果上随缘的博客
01-29 2285
目录了解准备工作1.下载包2.导入pycharm3.导入所需包代码（例：run_classification_criteo.py）导入所需包数据预处理1.对稀疏特征进行标签编码，对稠密特征进行简单转换2.计算每个稀疏字段的唯一特征数，并记录密集特征字段名称3.为模型生成输入数据4.定义模型、培训、预测和评估 了解 浅梦大神的这个写的还是就我而言 我觉得非常好了，非常值得操作一下 DeepCTR：易用可扩展的深度学习点击率预测算法包 首先下面两个链接是你最先需要了解的 github这个是这个包的开源代码（附数
阿里的《基于pai的推荐系统》--摘抄笔记
因上努力，果上随缘的博客
09-23 1191
目录推荐系统简介一、什么是推荐系统（一）常见的推荐业务场景（二）个性化推荐业务流程企业级推荐系统架构（一）企业级推荐系统要求（二）推荐整体架构（三）基于PAI的推荐技术架构推荐系统召回算法一、召回模块在推荐系统中的位置二、推荐场景--召回算法介绍三、什么是协同过滤四、向量召回架构说明推荐系统排序算法一、排序模块在推荐系统中的位置二、排序算法介绍三、离线排序模型训练架构四、在线排序模型训练架构推荐系统线上服务编排一、在线推理服务 - 架构说明二、线上多目标问题基于 PAI 10 分钟搭建一个简单推荐系统一、个
python实现ctrv模型
最新发布
06-05
CTR（Click-Through Rate）指的是用户点击广告的概率，是评估广告效果的重要指标之一。CTR预估模型旨在根据用户的历史行为、广告资源及用户特征等多种因素，预测用户点击某一广告的概率，从而提高广告点击率。 Python是一种编程语言，在机器学习和深度学习领域有着广泛的应用。要实现CTR预估模型，可以使用Python中的机器学习库，比如scikit-learn或tensorflow。下面简单介绍一个基于scikit-learn的CTR预估模型的实现。 1. 数据准备 CTR预估模型需要大量的样本数据，包括用户历史行为、广告资源及用户特征等多种因素。这些数据应该经过预处理和特征工程，确保数据质量和模型性能。在数据准备过程中，需要将数据集分为训练集、验证集和测试集，来评估模型的训练情况和泛化性能。 2. 特征选择和工程 在CTR预估模型中，特征选择和工程是非常重要的环节。特征选择要考虑特定业务场景下特征的重要性和贡献，常用的方法包括Pearson相关系数、Chi-square等。特征工程则是通过一系列的数据处理和特征提取方法，将原始数据转化为有用信息的过程，如分箱、交叉特征、归一化等。 3. 模型选择和训练 在CTR预估模型中，常见的模型有LR、GBDT、FM、FFM等。在具体业务场景中，需要根据数据特点和模型性能选择最合适的模型。在模型训练过程中，需要设置超参数、损失函数、优化器等参数，并根据训练数据迭代更新模型参数，以达到最小化损失函数的目的。 4. 模型评估和优化 在CTR预估模型中，常见的评估指标有AUC、LogLoss、准确率等。在验证集和测试集上，通过评估指标来评估模型的性能，发现模型的不足之处，进一步优化模型。 总之，Python是一种优秀的编程语言，在CTR预估模型的实现中具有广泛的应用前景。但要注意数据准备、特征工程、模型训练和评估等环节，从而提高CTR预估模型的效果和性能。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

KryHan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值