DeepFM推荐系统 论文+代码

Paper-DeepFM

• • Introduction
  • 现存方法的侧重点
    • low- / high- order interactions 低阶/高阶交互
    • expertise feature engineering 专业特征工程
  • 关键挑战
    • in effectively modeling feature interactions 有效建模特征交互
  • FM中
    • 使用 inner product 内积作为潜在特征向量之间的交互，效果很好
    • 特征通常只考虑2层，为避免高复杂度
  • 改进方法
    • CNN+：更倾向于临近特征之间的交互
    • RNN+：更适合有顺序的数据
  • 本文方法
    • DeepFM，FM+DNN
    • 使用FM建模低阶特征交互，DNN建模高阶特征交互
    • 不同于 wide&deep，DeepFM可以端到端训练，不需要特征工程
  • 本文方法
  • 概述
    • (X,y) X是m域的数据记录，通常包括一对用户和物品，y∈{0,1}表示用户点击行为
    • X可能包含分类字段（性别、地区）用一个one-hot编码向量表示；连续字段（年龄）用其自身值或离散化之后的one-hot编码向量表示
    • 最后每个实例可以表示为(x,y)，其中x由各类向量表示组成
    • 任务目标：建立一个预测模型y' 估计用户点击给定内容的概率
  • DeepFM
    • 
    • 包含FM、deep两个部分，共享相同的输入
    • 对于特征i，一个标量wi用来权衡其一阶重要性，一个潜在向量Vi用来衡量它与其他特征交互的影响。Vi喂入FM建