xDeepFM：结合显式与隐式特征交互的推荐系统
机器学习
2019-10-28 v3 信息检索
摘要
组合特征对于许多商业模型的成功至关重要。由于网络规模系统中原始数据的多样性、大量性和高速性，手动构造这些特征通常成本高昂。基于因子分解的模型通过向量乘积来度量交互，能够自动学习组合特征的模式，并且也能泛化到未见特征。随着深度神经网络（DNN）在各个领域取得巨大成功，最近研究人员提出了几种基于 DNN 的因子分解模型，以同时学习低阶和高阶特征交互。尽管 DNN 具有从数据中学习任意函数的强大能力，但纯 DNN 隐式且在位级别上生成特征交互。在本文中，我们提出了一种新颖的压缩交互网络（CIN），旨在以显式方式并在向量级别上生成特征交互。我们表明 CIN 与卷积神经网络（CNN）和循环神经网络（RNN）共享某些功能。我们进一步将 CIN 与经典 DNN 结合为一个统一模型，并将此新模型命名为 eXtreme Deep Factorization Machine（xDeepFM）。一方面，xDeepFM 能够显式地学习某些有界阶数的特征交互；另一方面，它能够隐式地学习任意的低阶和高阶特征交互。我们在三个真实世界数据集上进行了全面实验。我们的结果表明，xDeepFM 优于 SOTA 模型。我们已在 \url{https://github.com/Leavingseason/xDeepFM} 发布了 xDeepFM 的源代码。
引用
@article{arxiv.1803.05170,
title = {xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems},
author = {Jianxun Lian and Xiaohuan Zhou and Fuzheng Zhang and Zhongxia Chen and Xing Xie and Guangzhong Sun},
journal= {arXiv preprint arXiv:1803.05170},
year = {2019}
}
备注
10 pages