提出 Field-aware Neural Factorization Machine 模型，该模型可以通过 FFM 模型构造二阶的交互特征，也可通过 DNN 构建更高阶的交互特征。
FNFM 模型结构如下：
Input Layer：x = [x1; x2; . . . ; xf ] ，其中 f 表示特征组的个数，如果是 sparse 的离散特征，xi 就是 one-hot 向量，如果是 dense 的数值特征，就是一个 scalar。
Embedding Layer：和传统的做法一样，通过 embedding 层映射到低维度向量。为了交叉合并离散特征和数值特征，dense 的特征也可以通过 embedding 层做处理。
Bi-Interaction Concatation Layer：设 xi 和 xj 分别是属于特征组 fi 和 fj 的两个输入特征，那么 second-order feature 交互向量的计算为：
其中的计算符号表示向量间的 element-by-element product operation。 vi,fj 表示输入 xi 和特征组 fj 交互时的向量，vj,fi 表示输入 xj 和特征组 fi 交互时的向量，也就是相同的输入特征与不同的特征组特征交互时，使用的是不同的向量。然后将所有的交互向量 concat 起来。这里有一个创新点：就是传统的 BI 层中采用的是 pooling 层，而这里采用的是 concat 层，原因是为了最大的程度的保留信息不会损失。
Normalization Layer：之后是 BN 层，原因是经过 BI 层之后，输出会变得很不稳定，分布很不均匀。
Multiple Layer Perceptron (MLP) ：负责提取高阶的特征。
损失函数还是选择 negative log-likelihood function：
实验结果
本文转载自 Alex-zhai 知乎账号。
原文链接：https://zhuanlan.zhihu.com/p/69503826
腾讯云云原生提质增效实践精选集 2024
《2024腾讯云云原生提质增效实践精选集》出炉，5大热门技术领域，13个行业精选标杆案例，痛点到解决方案全...
评论