AEFE：面向类别型特征的自动嵌入式特征工程
机器学习
2021-10-20 v1 人工智能
摘要
在推荐系统（RS）和点击率（CTR）预测等电子商务应用中的数据挖掘问题所面临的挑战在于，如何从大量类别型特征中构建组合特征进行推断，同时保持方法的可解释性。本文提出 Automatic Embedded Feature Engineering（AEFE），一种用于表征类别型特征的自动特征工程框架，其包含自定义范式特征构建与多重特征选择等多种组件。通过智能选择潜在字段对并生成一系列可解释的组合特征，我们的框架能够提供一组未见过的生成特征以提升模型性能，进而协助数据分析师发现针对特定数据挖掘任务的特征重要性。此外，AEFE 通过基于矩阵分解字段组合的任务并行、数据采样与搜索模式进行分布式实现，以优化性能并增强框架的效率与可扩展性。在若干典型电商数据集上的实验表明，我们的方法优于经典机器学习模型与 SOTA 深度学习模型。
引用
@article{arxiv.2110.09770,
title = {AEFE: Automatic Embedded Feature Engineering for Categorical Features},
author = {Zhenyuan Zhong and Jie Yang and Yacong Ma and Shoubin Dong and Jinlong Hu},
journal= {arXiv preprint arXiv:2110.09770},
year = {2021}
}
备注
24 pages, 6 figures, 13 tables