02-《Field-aware Factorization Machines for CTR Prediction》

最新推荐文章于 2022-08-27 09:30:49 发布
最新推荐文章于 2022-08-27 09:30:49 发布
阅读量242 收藏
点赞数
分类专栏： 推荐系统
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_37562062/article/details/105048531
版权
FFM（Field-aware Factorization Machines）是针对CTR预测的模型，优于二阶多项式和FM。FFM引入field概念，考虑特征类别影响，每个特征根据其他特征field选择不同隐向量，提高模型表达能力。损失函数采用Logistic Loss，通过AdaGrad进行参数更新。
摘要由CSDN通过智能技术生成

1. 什么是FFM

Field-aware Factorization Machines（简称FFM），是由YuChin Juan与其比赛队员提出，是FM的一种变式。

在Click-through rate (CTR) 预测中，FFM的效果好于二阶多项式（Poly2）和FM模型。

针对CTR预测，学习特征组合的影响是十分重要的，而普通的线性模型（y=wx）是很难学习特征组合项的参数。此前，针对特征组合的学习，有二阶多项式和FM模型。我们知道FM模型，是将Poly2中的二次项即特征组合项的参数，分解成了对应特征的隐向量的内积，因此可以应用在稀疏数据场景下。

下面两个公式，就是二阶多项式和FM模型。其中，FM公式是需要再经过推导，可以得到线性时间复杂度。

Poly2：

          \hat{y(x)} = w_{0}+ \sum_{i=1}^{n}w_{i}x_{i}+\sum_{i=1}^{n}\sum_{j=i+1}^{n} w_{i,j}x_{i}x_{j}

FM：

         \hat{y(x)} = w_{0}+ \sum_{i=1}^{n}w_{i}x_{i}+\sum_{i=1}^{n}\sum_{j=i+1}^{n}<v_{i},v_{j}>x_{i}x_{j}

那么，FFM作为FM的变式，与FM的不同之处在哪？

在FM中，一个特征i只对应一个隐向量

最低0.47元/天 解锁文章
蓝可乐加糖
关注
专栏目录
（推荐系统）FFM算法：Field-aware Factorization Machines for CTR Prediction
qq_33397016的博客
05-14 574
摘要 FFM算法由Yuchin Juan等人于2016AVM大会上提出。基于FM算法提取样本交叉信息的思想，FFM引进了场（field）的概念，提出了一种粒度更细的样本交叉信息提取方法。实验结果表明，与传统的POLY2与FM等算法对比，FFM更能有效地处理稀疏数据，同时获取较高的推荐精度。 1 FFM算法模型 作为FM的改进版本,FFM通过引入field信息来更细致地表征样本与向量的关系。本小节将简单地对FFM模型原理，求解方法作一个梳理。 1.1 引进filed信息 场信息即特征所属的一个类别。 以论文
推荐系统笔记7-Field-aware Factorization Machines for CTR Prediction
年少_当自强的博客
02-05 1343
本文介绍Field-aware Factorization Machines for CTR Prediction，简称为FFM，其原文Paper传送门。 摘要 计算广告中CTR预估有着很重要的作用，其中二阶映射的FM常被使用，但提出的FFM在比赛中优于FM，因此引出FFM； 一、介绍 通常用LR处理分类问题，其模型是用来解决如下最优化问题： min⁡wλ2∥w∥22+∑i=1mlog⁡(1+ex...
FFM:Field-aware Factorization Machines for CTR Prediction简介
loserChen的博客
12-31 493
摘要 FM被广泛应用在CTR，但是FFM在一些世界范围的CTR竞赛表现好于目前存在的模型。作者实现了相关代码，并与一些竞争模型进行了全面的分析。实验证明FFM在某些分类问题上非常有用。 介绍 FFM 对于这个例子来说，FM的隐向量表示应该为： 在FM中，每个特征只有一个隐向量来学习隐性的影响。拿ESPN来做例子，wESPNw_{ESPN}wESPN​被用来学习隐性的与Nike和Male的影响，...
论文解读：Field-aware Factorization Machines for CTR Prediction(FFMs)
weixin_44441131的博客
01-27 509
文章目录摘要1. Introduction2. POLY2 AND FM3. FFM3.1 Solving the Optimization Problem3.2 Parallelization on Shared-memory Systems3.3 Adding Field Information4. Experiments4.1 Experiments settings4.2 Impact of Parameters4.3 Early Stopping4.4 Speedup FFM模型时FM模型的变
【推荐系统论文精读系列】(六)--Field-aware Factorization Machines for CTR Prediction
CSDN 精品推荐
11-16 868
文章目录Field-aware Factorization Machines for CTR Prediction一、摘要二、介绍三、POLY2 和 FM四、FFM4.1 解决优化问题4.2 并行化内存系统五、实验5.1 训练设置5.2 参数的影响5.3 提前停止训练5.4 并行加速REFERENCES Field-aware Factorization Machines for CTR Prediction 一、摘要 点击率预测发挥了很大的作用在计算广告领域。针对这个任务，POLY2和FMs被广泛的应用。
Field-aware Factorization Machines for CTR Prediction 论文阅读总结1
08-03
Field-aware Factorization Machines (FFMs) 是一种针对点击率（CTR）预测的机器学习模型，它在计算广告领域具有重要意义。FFMs 是传统 Factorization Machines (FMs) 的一个变种，它在某些全球CTR预测竞赛中表现出...
推荐系统 | 学习笔记：Field-aware Factorization Machines for CTR Prediction
⊳ideal world⊲~ヽ(ﾟ︺ﾟ)Hi
03-23 212
ABSTRACT First, we propose efficient implementations for training FFMs. Then we comprehensively analyze FFMs and compare this approach with competing models. Experiments show that FFMs are very usefu...
#Paper Reading# Field-aware factorization machines for CTR prediction
John159151的专栏
05-29 354
论文题目: Field-aware factorization machines for CTR prediction 论文地址: https://dl.acm.org/citation.cfm?id=2959134 论文发表于: RecSys 2016（CORE B类会议） 论文大体内容： 本文主要介绍了FM模型的变种——FFM（Field-aware Factorization Machin...
Field-aware Factorization Machines for CTR Prediction
DrWells的博客
07-31 182
论文链接： https://www.csie.ntu.edu.tw/~cjlin/papers/ffm.pdf 主要内容 Field-aware Factorization Machines（FFM）场感知分解机是FM的变种，FM的变体称为成对相互作用张量因子化（PITF）被提出用于个性化标签推荐。在2012年KDD杯中，PITF被称为“因子模型”的概括由Team Opera提出。因为这个术语太笼...
CTR预估 论文实践(四)--Field-aware Factorization Machines for CTR Prediction
Dby_freedom的博客
03-15 703
FFM 模型实践 代码是用python3.5写的，tensorflow的版本为1.10.1；博客代码均以上传至GitHub，欢迎follow和start~~! 1. 数据集 数据集地址：MovieLens 本文使用的数据是movielens-100k，数据包括u.item，u.user，ua.base及ua.test，u.item包括的数据格式为： movie id | movie title |...
CTR预估 论文精读(四)--Field-aware Factorization Machines for CTR Prediction
Dby_freedom的博客
12-08 1974
Field-aware Factorization Machines for CTR Prediction 1. FM FM的具体详情可以参考之前的论文总结Factorization Machines 论文阅读总结 1.1 FM是什么 将矩阵 W=wi,jW={w_{i,j}}W=wi,j​ 矩阵（这是一个对称方阵）分解成 W=VTVW=V^TVW=VTV 的形式，其中 V=(v1,v2,⋯,vd...
FFM（Field-aware Factorization Machines）
zhao254014的博客
08-18 4463
相比于FM模型， FFM模型引入了特征域感知(filed-aware) 这个概念， 使得模型的表达能力更强。
Field-aware Factorization Machine - FFM（领域感知的因子分解机）
不学无术的小镇做题家
06-29 433
“域”概念的提出 本篇的模型是FFM，全称是Field-aware Factorization Machine。作者认为，FM中虽然对特征做了高阶（一般是二阶）交叉，但是有一个弊端：在实际场景中，特征的领域(Field)很可能不同，比如性别、品牌、国籍等，向量在不同域的表示应该不一样才对，FM只用一个向量Embedding来表示特征，也就意味着在与其他特征做交叉的时候，使用的是同一个向量，这显然是不合理的。 所以，FFM引入了域(Field)的概念，做法就是每个特征不再使用单一向量表示，而是fff个向量，这
机器学习算法（三）：FFM（Field-aware Factorization Machine）（域分解机模型）
weixin_39910711的博客
08-30 3662
目录 1 FFM原理 2基于FFM的逻辑回归模型 2.1损失的逻辑回归模型 2.2∅(w,xp)的求导过程 2.3 示例 美团技术团队：https://tech.meituan.com/deep_understanding_of_ffm_principles_and_practices.html https://blog.csdn.net/zc02051126/article/...
推荐系统（四）Field-aware Factorization Machines（FFM）
天泽28的专栏
11-07 3201
推荐系统（四）Field-aware Factorization Machines（FFM） 推荐系统系列博客： 推荐系统（一）推荐系统整体概览 推荐系统（二）GBDT+LR模型 推荐系统（三）Factorization Machines（FM） 上一篇博客介绍了FM模型，这篇博客来介绍下FM模型的改进版FFM模型，看名字也能窥探一二，FFM模型相比较FM模型改进点在于“F”，这个F指的是Field-aware，作者也在论文中提到这个idea受rendle大佬的PITF文章[文献2]启发。这篇文章的核心
一文看懂推荐系统：排序09：Field-aware Factorization Machines（FFM），从FM改进来的，效果不咋地
weixin_46838716的博客
08-27 992
从FM改进来的，效果不咋地
（二）FFM（Field-aware Factorization Machine）原理
anshuai_aw1的博客
03-30 2445
一、背景 FFM算法，全称是Field-aware Factorization Machines，是FM（Factorization Machines）的改进版。FFM由Yu-Chin Juan与其比赛队员提出，他们借鉴了field（域）概念提出了FM的升级版模型。简单来说，通过引入field的概念，FFM把相同性质的特征归于同一个field。 本文主要介绍FFM的理论，由于其算法复杂度比较高，在...
《Field-aware Factorization Machines for CTR Prediction》FFM模型整理及python代码
十三
03-19 1459
1 原文（点击下载） 2 FFM模型 FFM（Field-aware Factorization Machine）最初的概念来自Yu-Chin Juan（阮毓钦，毕业于中国台湾大学，现在美国Criteo工作）与其比赛队员，是他们借鉴了来自Michael Jahrer的论文[14]中的field概念提出了FM的升级版模型。通过引入field的概念，FFM把相同性质的特征归于同一个fi...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值