推荐系统系列：NFM模型理论和代码实现

一、前言

发表于2017年的推荐类文章，主要采用的是串行结构即将FM中的一次项和二次项结果输入给DNN部分，典型的串行结构还包括PNN和AFM等都会在接下来进行介绍，本文的论文地址为：https://arxiv.org/pdf/1708.05027.pdf

二、算法原理

（1）模型的整体框架如图所示：主要包含输入的embedding，其次是一个Bi-Interaction Pooling层，随后是一个DNN部分对结果进行预测；

（2）首先介绍Bi-Interaction Pooling，这一部分主要是采用的哈达玛积；

如论文中所述：哈达玛积的相乘方式如下公式；

随后通过化简可以得到：

（3）随后经过一个DNN部分可以得到如下的结果：

（4）总结一下所有的，可以将整个过程表示为如下公式所述，其实还是很简单的；

三、实验效果

四、代码实现

代码部分只实现比较核心（Bi-Interaction Pooling）的部分，其他部分的地方需要自己补充，这里总感觉和FM很相似；主要区别就是这里的输出直接连接的是DNN，所以是串行结构和并行结构还是有区别的；

from tensorflow.python.keras.layers import Layer
import tensorflow as tf

class bi_interaction(Layer):
    def __init__(self, **kwargs):
        super(bi_interaction, self).__init__(**kwargs)
    
    def build(self, input_shape):
        super(bi_interaction, self).build(input_shape)
    
    def call(self, inputs):
        concat_embed_value = inputs
        square_of_sum = tf.square(tf.reduce_sum(concat_embed_value, axis=1, keep_dims=True))
        sum_of_square = tf.reduce_sum(concat_embed_value * concat_embed_value, axis=1, keep_dims=True)
        cross = 0.5 * (square_of_sum - sum_of_square)
        return cross#(batch , 1, embed_size)