深度学习在推荐系统的应用(二)

AFM模型(Attentional Factorization Machine)

• 模型原始论文
  Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks
  
• 模型架构
  
  
• 模型原理

\[ ŷ_{AFM}(x)=ω_0+∑_{i=1}^{n}ω_{i}x_{i}+p^T∑^{n}_{i=1}∑^{n}_{j=i+1}a_{ij}(v_i⊙v_j)x_ix_j \]

• 模型特点
  相对FM,AFM引入attention-based pooling,其学习出来的参数值用于判断不同特征之间交互的重要性。

• 模型案例
  https://github.com/hexiangnan/attentional_factorization_machine
  推荐系统遇上深度学习(八)--AFM模型理论和实践

FwFM模型(Field-weighted Factorization Machines)

• 模型原始论文
  Field-weighted Factorization Machines for Click-Through Rate
  Prediction in Display Advertising

• 模型架构
  

• 模型原理

\[ Φ_{FwFMs}((w,v), x) = w_{0} +∑_{i=1}^{m}x_iw_i +∑_{i=1}^{m}∑_{j=i+1}^{m}x_ix_j⟨v_i,v_j⟩r_{F (i),F (j)} \]

• 模型特点
  FwFM是在WWW'18上由Oath公司提出的点击率预估模型，针对FFM参数量大的不足提出了改进并在著名的公开数据集Criteo上验证有效。从模型形式上可以看出FwFM与FM区别仅在于FwFM给每个二阶交叉项引入了一个实数weight:
  \[ r_{F (i),F (j)} \]
  总计多出m*(m-1)/2个参数,m是field个数。

• 模型案例
  Tongzhenguo/Python-Project

xDeepFM(极深因子分解机模型)

• 模型原始论文
  xDeepFM: Combining Explicit and Implicit Feature Interactions for
  Recommender Systems
  

• 模型架构
  

• 模型原理

1.CIN结构:

2.计算公式:
\[\text{矩阵$?^?$中的第ℎ行的计算公式为:$X_{h,*}^k = \sum_{i=1}^{H_{k-1}}\sum_{j=1}^m{W_{ij}^{k,h}(X_{i,*}^{k-1} \circ X_{j,*}^0)}$} \]

• 模型特点
  微软亚洲研究院社会计算组提出了一种极深因子分解机模型（xDeepFM），不仅能同时以显式和隐式的方式自动学习高阶的特征交互，使特征交互发生在向量级，还兼具记忆与泛化的学习能力。
  
• 模型案例
  推荐系统遇上深度学习(二十二)--DeepFM升级版XDeepFM模型强势来袭！
  特征交互：一种极深因子分解机模型（xDeepFM）
  Leavingseason/xDeepFM

转载于:https://www.cnblogs.com/arachis/p/DL4REC2.html