因子分解机(FM) 和深度神经网络(DNN)

  在Baidu上以FM和DNN为关键词搜索的结果中，我找遍了都没看明白FM和DNN怎么能联系在一起，上周在导师讨论会的压力下，终于自己想明白了，这里记录一下。

  在上一篇blog中，已经介绍了FM模型，对FM模型进行求解后，对于每一个特征\(x_i\)都能够得到对应的隐向量\(v_i\)，那么这个\(v_i\)到底是什么呢？

  想一想Google提出的word2vec，word2vec是word embedding方法的一种，word embedding的意思就是，给出一个文档，文档就是一个单词序列，比如 “A B A C B F G”, 希望对文档中每个不同的单词都得到一个对应的向量(往往是低维向量)表示。比如，对于这样的“A B A C B F G”的一个序列，也许我们最后能得到：A对应的向量为[0.1 0.6 -0.5]，B对应的向量为[-0.2 0.9 0.7] 。

  伦敦大学张伟楠博士在携程深度学习Meetup[2]上分享了Talk《Deep Learning over Multi-field Categorical Data – A Case Study on User Response Prediction in Display Ads》。主要讲了他基于DNN来解决CTR prediction的想法，其中有关于DNN输入层的设计图如下：

  其实，在学习FM模型的时候，我们得到的就是各个离散特征的embedding表示，即FM求解得到的 \(v_i\)就是对应特征的embedding，因此就可以将稀疏的离散特征转化为连续的多维向量，就得到了DNN的输入层。

转载于:https://www.cnblogs.com/Oythonhill/p/8542823.html