DeepFM：一种用于点击率预测的端到端宽深学习框架
信息检索
2018-05-17 v2 机器学习
机器学习
摘要
学习用户行为背后复杂的特征交互对于推荐系统最大化 CTR（点击率）至关重要。尽管取得了巨大进展，现有方法强烈偏向于低阶或高阶交互，或依赖于专家特征工程。在本文中，我们展示有可能推导出一种强调低阶与高阶特征交互的端到端学习模型。所提出的框架 DeepFM 在一种新的神经网络架构中结合了分解机用于推荐的威力与深度学习用于特征学习的威力。与 Google 最新的 Wide & Deep 模型相比，DeepFM 对其“宽”和“深”两部分共享原始特征输入，除原始特征外无需特征工程。DeepFM 作为一种通用学习框架，可将其深部分纳入各种网络架构。在本文中，我们研究了 DeepFM 的两个实例，其“深”部分分别为 DNN 和 PNN，记为 DeepFM-D 和 DeepFM-P。我们进行了综合实验，在基准数据和商业数据上证明 DeepFM-D 和 DeepFM-P 相对于现有 CTR 预测模型的有效性。我们在华为应用市场进行了在线 A/B 测试，显示与生产环境中精心工程的 LR（逻辑回归）模型相比，DeepFM-D 带来了超过 10% 的点击率提升。我们也涵盖了在华为应用市场部署该框架的相关实践。
引用
@article{arxiv.1804.04950,
title = {DeepFM: An End-to-End Wide & Deep Learning Framework for CTR Prediction},
author = {Huifeng Guo and Ruiming Tang and Yunming Ye and Zhenguo Li and Xiuqiang He and Zhenhua Dong},
journal= {arXiv preprint arXiv:1804.04950},
year = {2018}
}
备注
14 pages. arXiv admin note: text overlap with arXiv:1703.04247