一、前言
(1)代码参考了阿里巴巴浅梦大神的实现,非常牛逼的一位大佬,非常值得大家学习;
(2)微博提出的fibinet点击预估模型,论文地址为:https://arxiv.org/pdf/1905.09433.pdf;
二、算法原理
(1)整体框架如图所示:
(2)SENET Layer部分的主要作用是学习不同特征的一个重要程度,对重要特征加权,对蕴含信息量不多的特征进行削弱;参考浅梦大神的文章https://www.zhihu.com/people/shenweichen/posts;
(3)SENET的主要处理流程:E为特征的embedding表示;
通过平均池化表示为Z,来获取特征的全局信息;
然后对Z进行加权学习得到需要的重要性权重表示;
(4)Bilinear_Interaction部分:左边上半部分为内积,下半部分为哈达玛积;原论文提出了一种添加一个参数w矩阵来学习交叉特征提高效果,公式如下:
几种实现方式的直观图像表示:
(5)最后将bi部分的p和senet部分的q进行拼接,然后输入给全连接层DNN部分和sigmoid部分得到点击的概率值;
(6)损失函数部分的设计如下公式所示:
三、实验效果
四、代码实现
from tensorflow.python.keras.layers import Layer
from tensorflow.python.keras.initializers import glorot_normal
import itertools
import tensorflow as tf
class senet(Layer):
def __init__(self, reduction_ratio=3, seed=1024, **kwargs):
self.reduction_ratio = reduction_ratio
self.seed = seed
super(senet, self).__init__(**kwargs)
def build(self, input_shape, **kwargs):
self.filed_size = len(input_shape)
self.embedding_size = input_shape[0][-1]
reduction_size = max(1, self.filed_size // self.reduction_ratio)
self.w1 = self.add_weight(name='w1', shape=(self.field_size, reduction_size),
initializer=glorot_normal(self.seed))
self.w2 = self.add_weight(name='w2', shape=(reduction_size, self.field_size),
initializer=glorot_normal(self.seed))
self.tensordot = tf.keras.layers.Lambda(lambda x : tf.tensordot(x[0], x[1], axes=(-1, 0)))
super(senet, self).build(input_shape)
def call(self, inputs):
Z = tf.keras.layers.concatenate(inputs, axis=1)#(batch, field_size, embed_size)
Z = tf.reduce_mean(Z, axis=-1)#(batch, field_size)
A_1 = tf.nn.relu(self.tensordot([Z, self.w1]))#(batch, reduction_size)
A_2 = tf.nn.relu(self.tensordot([A_1, self.w2]))#(batch, field_size)
V = tf.multiply(inputs, tf.expand_dims(A_2, axis=2))#(batch, field_size, embed_size)
return tf.split(V, self.filed_size, axis=1)
class bilinear_interaction(Layer):
def __init__(self, seed=1024, **kwargs):
self.seed = seed
super(bilinear_interaction, self).__init__(**kwargs)
def buid(self, input_shape):
emdedding_size = input_shape[0][-1]
self.w = [self.add_weight(shape=(emdedding_size, emdedding_size),
initializer=glorot_normal(self.seed),
name='w' + str(i) + str(j)) for i, j in itertools.combinations(range(len(input_shape)), 2)]
def call(self, inputs):
p = [tf.multiply(tf.tensordot(v[0], w, axes=(-1, 0)), v[1]) for v, w in zip(itertools.combinations(inputs, 2), self.w)]
return tf.keras.layers.concatenate(p, axis=-1)