AFM模型(Attentional Factorization Machine)
- 模型原始论文
Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks - 模型架构
- 模型原理
\[ŷ_{AFM}(x)=ω_0+∑_{i=1}^{n}ω_{i}x_{i}+p^T∑^{n}_{i=1}∑^{n}_{j=i+1}a_{ij}(v_i⊙v_j)x_ix_j \]
-
模型特点
相对FM,AFM引入attention-based pooling,其学习出来的参数值用于判断不同特征之间交互的重要性。 -
模型案例
https://github.com/hexiangnan/attentional_factorization_machine
推荐系统遇上深度学习(八)--AFM模型理论和实践
FwFM模型(Field-weighted Factorization Machines)
-
模型原始论文
Field-weighted Factorization Machines for Click-Through Rate
Prediction in Display Advertising -
模型架构
-
模型原理
\[Φ_{FwFMs}((w,v), x) = w_{0} +∑_{i=1}^{m}x_iw_i +∑_{i=1}^{m}∑_{j=i+1}^{m}x_ix_j⟨v_i,v_j⟩r_{F (i),F (j)} \]
- 模型特点
FwFM是在WWW'18上由Oath公司提出的点击率预估模型，针对FFM参数量大的不足提出了改进并在著名的公开数据集Criteo上验证有效。从模型形式上可以看出FwFM与FM区别仅在于FwFM给每个二阶交叉项引入了一个实数weight:
\[r_{F (i),F (j)} \]
总计多出m*(m-1)/2个参数,m是field个数。
xDeepFM(极深因子分解机模型)
-
模型原始论文
xDeepFM: Combining Explicit and Implicit Feature Interactions for
Recommender Systems -
模型架构
-
模型原理
1.CIN结构:
2.计算公式:
\[\text{矩阵$𝑋^𝑘$中的第ℎ行的计算公式为:$X_{h,*}^k = \sum_{i=1}^{H_{k-1}}\sum_{j=1}^m{W_{ij}^{k,h}(X_{i,*}^{k-1} \circ X_{j,*}^0)}$} \]
- 模型特点
微软亚洲研究院社会计算组提出了一种极深因子分解机模型（xDeepFM），不仅能同时以显式和隐式的方式自动学习高阶的特征交互，使特征交互发生在向量级，还兼具记忆与泛化的学习能力。 - 模型案例
推荐系统遇上深度学习(二十二)--DeepFM升级版XDeepFM模型强势来袭！
特征交互：一种极深因子分解机模型（xDeepFM）
Leavingseason/xDeepFM