利用洛伦兹因子分解机学习特征交互
信息检索
2019-11-26 v1 人工智能
机器学习
机器学习
摘要
学习用于建模用户行为的特征交互表示对推荐系统和点击率（CTR）预测至关重要。该领域的最新进展由深度学习方法推动，后者可学习复杂特征交互并以端到端方式取得最先进结果。这些方法需要大量训练参数与底层表示相集成，因而在内存和计算上效率低下。本文提出一种名为“LorentzFM”的新模型，可在双曲空间中学习特征交互嵌入，其中洛伦兹距离对三角不等式的违背是可利用的。为此，所学表示受益于双曲三角形的特殊几何性质，并因无需所有顶层深度学习层而使参数数量显著减少（20% 至 80%）。凭借这一轻量架构，LorentzFM 在推荐和 CTR 预测任务中取得了与 DeepFM、xDeepFM 和 Deep & Cross 等深度学习方法相当甚至实质更优的结果。
引用
@article{arxiv.1911.09821,
title = {Learning Feature Interactions with Lorentzian Factorization Machine},
author = {Canran Xu and Ming Wu},
journal= {arXiv preprint arXiv:1911.09821},
year = {2019}
}
备注
8 pages, 5 figures, accepted to AAAI-2020