本文介绍了如何将FM模型与深度学习结合，涉及FNN、DeepFM和NFM模型。FNN通过FM的隐向量初始化Embedding层，加速模型收敛；DeepFM用FM替换Wide部分，强化低阶特征组合；NFM则是对FM的神经网络化尝试，用Bi-Interaction Pooling Layer增强表达能力。这些模型在特征组合上展示了优势。
文章目录
一个典型的CTR流程如下图所示：
如上图，主要包括两大部分：离线部分、在线部分，其中离线部分目标主要是训练出可用模型，而在线部分则考虑模型上线后，性能可能随时间而出现下降，弱出现这种情况，可选择使用Online-Learning来在线更新模型：
离线部分：
-
数据收集：主要收集和业务相关的数据，通常会有专门的同事在app位置进行埋点，拿到业务数据；
-
预处理：对埋点拿到的业务数据进行去脏去重；
-
构造数据集：经过预处理的业务数据，构造数据集，在切分训练、测试、验证集时应该合理根据业务逻辑来进行切分；
-
特征工程：对原始数据进行基本的特征处理，包括去除相关性大的特征，离散变量one-hot，连续特征标准化等等；
-
模型选择：选择合理的机器
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
