推荐系统之FM
1. FM模型的引入
1.1 逻辑回归模型及其缺点
FM模型其实是一种思路,具体的应用稍少。一般来说做推荐CTR预估时最简单的思路就是将特征做线性组合(逻辑回归LR),传入sigmoid中得到一个概率值,本质上这就是一个线性模型,因为sigmoid是单调增函数不会改变里面的线性模型的CTR预测顺序,因此逻辑回归模型效果会比较差。也就是LR的缺点有:
- 是一个线性模型
- 每个特征对最终输出结果独立,需要手动特征交叉( x i ∗ x j x_i*x_j xi∗xj)比较麻烦
1.2 二阶交叉项的考虑及改进
由于LR模型的上述缺陷(主要是手动做特征交叉比较麻烦),干脆就考虑所有的二阶交叉项,也就是将目标函数由原来的
y
=
w
0
+
∑
i
=
1
n
w
i
x
i
y = w_0+\sum_{i=1}^nw_ix_i
y=w0+i=1∑nwixi
变为:
y
=
w
0
+
∑
i
=
1
n
w
i
x
i
+
∑
i
=
1
n
−
1
∑
i
+
1
n
w
i
j
x
i
x
j
y = w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{i+1}^nw_{ij}x_ix_j
y=w0+i=1∑nwixi+i=1∑n−1i+1∑nwijxixj
但这个式子有一个问题,只有当
x
i
x_i
xi和
x
j
x_j
xj均不为0时这个二阶交叉项才会生效,后面这个特征交叉项本质是和多项式核SVM等价的,为了解决这个问题,我们的FM登场了!
FM模型使用了如下的优化函数:
y
=
w
0
+
∑
i
=
1
n
w
i
x
i
+
∑
i
=
1
n
∑
i
+
1
n
<
v
i
,
v
j
>
x
i
x
j
y = w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n}\sum_{i+1}^n\lt v_i,v_j\gt x_ix_j
y=w0+i=1∑nwixi+i=1∑ni+1∑n<vi,vj>xixj
事实上做的唯一改动就是把
w
i
j
w_{ij}
wij替换成了
<
v
i
,
v
j
>
<v_i,v_j>
<vi,vj> ,大家应该就看出来了,这实际上就有深度学习的意味在里面了,实质上就是给每个
x
i
x_i
xi计算一个embedding,然后将两个向量之间的embedding做内积得到之前所谓的
w
i
j
w_{ij}
wij好处就是这个模型泛化能力强 ,即使两个特征之前从未在训练集中同时出现,我们也不至于像之前一样训练不出
w
i
j
w_{ij}
wij,事实上只需要
x
i
x_i
xi和其他的
x
k
x_k
xk同时出现过就可以计算出
x
i
x_i
xi的embedding!
2. FM公式理解
从公式来看,模型前半部分就是普通的LR线性组合,后半部分的交叉项:特征组合。首先,单从模型表达能力上来看,FM是要强于LR的,至少它不会比LR弱,当交叉项参数
w
i
j
w_{ij}
wij全为0的时候,整个模型就退化为普通的LR模型。对于有n个特征的模型,特征组合的参数数量共有
1
+
2
+
3
+
⋯
+
n
−
1
=
n
(
n
−
1
)
2
1+2+3+\cdots + n-1=\frac{n(n-1)}{2}
1+2+3+⋯+n−1=2n(n−1)
个,并且任意两个参数之间是独立的。所以说特征数量比较多的时候,特征组合之后,维度自然而然就高了。
定理:任意一个实对称矩阵(正定矩阵) W都存在一个矩阵 V ,使得 W = V . V T W=V.V^{T} W=V.VT成立。
类似地,所有二次项参数
w
i
j
w_{ij}
wij可以组成一个对称阵 W(为了方便说明FM的由来,对角元素可以设置为正实数),那么这个矩阵就可以分解为
W
=
V
T
V
W=V^TV
W=VTV 的第 j 列(
v
j
v_j
vj)便是第 j 维特征( x_j )的隐向量。
y
^
(
X
)
=
ω
0
+
∑
i
=
1
n
ω
i
x
i
+
∑
i
=
1
n
−
1
∑
j
=
i
+
1
n
<
v
i
,
v
j
>
x
i
x
j
\hat{y}(X) = \omega_{0}+\sum_{i=1}^{n}{\omega_{i}x_{i}}+\sum_{i=1}^{n-1}{\sum_{j=i+1}^{n} \color{red}{<v_{i},v_{j}>x_{i}x_{j}}}
y^(X)=ω0+i=1∑nωixi+i=1∑n−1j=i+1∑n<vi,vj>xixj
需要估计的参数有
w
0
∈
R
,
w
i
∈
R
,
V
∈
R
,
<
⋅
,
⋅
>
w_0 \in R, w_i \in R, V \in R,< \cdot, \cdot>
w0∈R,wi∈R,V∈R,<⋅,⋅>是长度为 k 的两个向量的点乘,公式如下:
<
v
i
,
v
j
>
=
∑
f
=
1
k
v
i
,
f
⋅
v
j
,
f
<v_{i},v_{j}> = \sum_{f=1}^{k}{v_{i,f}\cdot v_{j,f}}
<vi,vj>=f=1∑kvi,f⋅vj,f
上面的公式中:
- w 0 w_0 w0为全局偏置;
- w i w_i wi是模型第i个变量的权重;
- w i j = < v i , v j > w_{ij} = <v_i,v_j> wij=<vi,vj>特征i和j的交叉权重;
- v i v_i vi是第i维特征的隐向量;
- < ⋅ , ⋅ > <\cdot,\cdot> <⋅,⋅>代表向量点积;
- k(k<<n)为隐向量的长度,包含k个描述特征的因子。
FM模型中二次项的参数数量减少为kn个,远少于多项式模型的参数数量。另外,参数因子化使得 x h x i x_{h}x_{i} xhxi的参数不再是相互独立的,因此我们可以在样本稀疏的情况下相对合理地估计FM的二次项参数。具体来说, x h x i x_{h}x_{i} xhxi和 x h x i x_{h}x_{i} xhxi的系数分别为 v h , v i v_h,v_i vh,vih和 v i , v j v_i,v_j vi,vj它们之间有共同项 v i v_i vi也就是说,所有包含 x i x_i xi的非零组合特征”(存在某个 j ≠ i j \ne i j=i,使得 x i x j ≠ 0 x_{i}x_{j}\neq 0 xixj=0)的样本都可以用来学习隐向量 v i v_i vi,这很大程度上避免了数据稀疏性造成的影响。而在多项式模型中, w h i w_{hi} whi和 w i j w_{ij} wij是相互独立的。
显而易见,FM的公式是一个通用的拟合方程,可以采用不同的损失函数用于解决regression、classification等问题,比如可以采用MSE(Mean Square Error)loss function来求解回归问题,也可以采用Hinge/Cross-Entropy loss来求解分类问题。当然,在进行二元分类时,FM的输出需要使用sigmoid函数进行变换,该原理与LR是一样的。直观上看,FM的复杂度是
O
(
k
n
2
)
O(kn^2)
O(kn2)。但是FM的二次项可以化简,其复杂度可以优化到
O
(
k
n
)
O(kn)
O(kn) 。由此可见,FM可以在线性时间对新样本作出预测。
证明:
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ \sum_{i=1}^{n-…
解释:
- v i , f v_{i,f} vi,f是一个具体的值;
- 第一个等号:把对称矩阵w对角线上半部分;
- 第2个等号:把向量内积 v i , v j v_i,v_j vi,vj展开成累加和的形式;
- 第3个等号:提出公共部分;
- 第4个等号: i 和 j 相当于是一样的,表示成平方过程。
3. FM模型应用
最直接的想法就是直接把FM得到的结果放进sigmoid中输出一个概率值,由此做CTR预估,事实上我们也可以做召回。
由于FM模型是利用两个特征的Embedding做内积得到二阶特征交叉的权重,那么我们可以将训练好的FM特征取出离线存好,之后用来做KNN向量检索。
工业应用的具体操作步骤:
- 离线训练好FM模型(学习目标可以是CTR)
- 将训练好的FM模型Embedding取出
- 将每个uid对应的Embedding做avg pooling(平均)形成该用户最终的Embedding,item也做同样的操作
- 将所有的Embedding向量放入Faiss等
- 线上uid发出请求,取出对应的user embedding,进行检索召回
4.代码时间
4.1 调包
调包版
直接看Github官方仓库:https://github.com/coreylynch/pyFM,里面有介绍如何安装以及使用,下面搬运一遍:
安装
方法一:直接pip install
pip install git+https://github.com/coreylynch/pyFM
方法二:手动安装
输入上面这行代码应能下载这个包并安装,如果安装失败可能是网络原因,这时可以考虑手动下载这个包然后手动python setup.py install安装,这时候通常会报错,去掉setup.py文件里面的libraries=[“m”]一行再重新安装即可
具体操作是:
- 在https://github.com/coreylynch/pyFM中手动下载包
- 将包解压,更改里面的setup.py文件,去掉setup.py文件里面的libraries=[“m”]一行
- cd到当前文件夹下python setup.py install
测试
这部分主要作为简单上手让读者了解如何使用这个包~
第一步:导包
from pyfm import pylibfm
from sklearn.feature_extraction import DictVectorizer
import numpy as np
第二步:创建训练集并转换成one-hot编码的特征形式
train = [
{"user": "1", "item": "5", "age": 19},
{"user": "2", "item": "43", "age": 33},
{"user": "3", "item": "20", "age": 55},
{"user": "4", "item": "10", "age": 20},
]
v = DictVectorizer()
X = v.fit_transform(train)
print(X.toarray())
看看结果,对比一下维度是否符合预期:
[[19. 0. 0. 0. 1. 1. 0. 0. 0.]
[33. 0. 0. 1. 0. 0. 1. 0. 0.]
[55. 0. 1. 0. 0. 0. 0. 1. 0.]
[20. 1. 0. 0. 0. 0. 0. 0. 1.]]
第三步:创建标签
这里简单创建了一个全1的标签:
y = np.repeat(1.0,X.shape[0])
y
array([1., 1., 1., 1.])
第四步:训练并预测
就和调用sklearn的包是一样的用法:
fm = pylibfm.FM()
fm.fit(X,y)
fm.predict(v.transform({"user": "1", "item": "10", "age": 24}
电影评分数据集实战
数据集在这里下载,数据集本地具体保存路径读者自行阅读代码找找: http://www.grouplens.org/system/files/ml-100k.zip
导包,并定义一个导入指定格式数据集的函数
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from pyfm import pylibfm
# Read in data
def loadData(filename,path="ml-100k/"):
data = []
y = []
users=set()
items=set()
with open(path+filename) as f:
for line in f:
(user,movieid,rating,ts)=line.split('\t')
data.append({ "user_id": str(user), "movie_id": str(movieid)})
y.append(float(rating))
users.add(user)
items.add(movieid)
return (data, np.array(y), users, items)
导入训练集和测试集,并转换格式
(train_data, y_train, train_users, train_items) = loadData("ua.base")
(test_data, y_test, test_users, test_items) = loadData("ua.test")
v = DictVectorizer()
X_train = v.fit_transform(train_data)
X_test = v.transform(test_data)
训练模型并测试
# Build and train a Factorization Machine
fm = pylibfm.FM(num_factors=10, num_iter=100, verbose=True, task="regression", initial_learning_rate=0.001, learning_rate_schedule="optimal")
fm.fit(X_train,y_train)
预测结果打印误差
preds = fm.predict(X_test)
from sklearn.metrics import mean_squared_error
print("FM MSE: %.4f" % mean_squared_error(y_test,preds))
FM MSE: 0.8873
分类任务实战
搞数据
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.cross_validation import train_test_split
from pyfm import pylibfm
from sklearn.datasets import make_classification
X, y = make_classification(n_samples=1000,n_features=100, n_clusters_per_class=1)
data = [ {v: k for k, v in dict(zip(i, range(len(i)))).items()} for i in X]
X_train, X_test, y_train, y_test = train_test_split(data, y, test_size=0.1, random_state=42)
v = DictVectorizer()
X_train = v.fit_transform(X_train)
X_test = v.transform(X_test)
建模型
我们可以看到主要改变的参数是num_factors和tasks,读者可以想想为什么
fm = pylibfm.FM(num_factors=50, num_iter=10, verbose=True, task="classification", initial_learning_rate=0.0001, learning_rate_schedule="optimal")
fm.fit(X_train,y_train)
由于是分类任务,误差函数肯定不一样
from sklearn.metrics import log_loss
print("Validation log loss: %.4f" % log_loss(y_test,fm.predict(X_test)))
Validation log loss: 1.3678
4.2 从零开始
数据集介绍
criteo:criteo是非常经典的点击率预估数据集,其中连续特征有13个,类别型特征有26个,没有提供特征的具体名称,特征分别如下:
dense_feats:'I1', 'I2', 'I3', 'I4', 'I5', 'I6', 'I7', 'I8', 'I9', 'I10','I11', 'I12', 'I13'
sparse_feats: 'C1', 'C2', 'C3', 'C4', 'C5', 'C6', 'C7', 'C8', 'C9', 'C10', 'C11', 'C12', 'C13', 'C14', 'C15', 'C16', 'C17', 'C18', 'C19', 'C20', 'C21', 'C22', 'C23', 'C24', 'C25', 'C26'
5.参考资料
- FM算法解析
- 推荐系统遇上深度学习(一)–FM模型理论和实践
- FM论文原文
- FM算法原理分析与实践
- AI上推荐 之 FM和FFM