推薦系統(tǒng)論文閱讀(五十一)-受樣本影響的FM模型

論文:

論文題目:《An Input-aware Factorization Machine for Sparse Prediction》

論文地址:https://www.ijcai.org/proceedings/2019/0203.pdf

有很多工作是對FM進(jìn)行改進(jìn)峦剔,之前有過AFM础拨,F(xiàn)FM以及各自對FM魔改對工作老翘,但是沒有工作對樣本感知的FM進(jìn)行探討铛碑,今天我們就來看一下這篇關(guān)于樣本感知的FM鳖敷。

一 、背景

1.1 FM介紹

FM(Factorization Machine)元潘,因子分解機膘滨,在廣告和推薦領(lǐng)域都發(fā)揮著至關(guān)重要的作用,它可以顯式的構(gòu)建二階交叉的特征捶枢,F(xiàn)M的公式如下:

可以看到握截,F(xiàn)M通過內(nèi)積的方式計算每個feature pair的weight,通過優(yōu)化烂叔,fm可以改寫為:

據(jù)我所知谨胞,在某短視頻公司,推薦跟廣告業(yè)務(wù)線的排序模型都是lr+fm+dnn的類似結(jié)構(gòu)蒜鸡,足見fm在整個推薦/廣告領(lǐng)域的重要性胯努。

1.2 FM的缺陷

在FM的公式里牢裳,我們可以看到,不同特征pair之間計算weight的時候使用的是同一個v叶沛,也就是無論樣本如何變化蒲讯,兩個特征之間計算內(nèi)積作為weight的v都是同一個,這種方式很簡單有效灰署,但是我們知道簡單有效的東西總是伴隨著一些缺陷判帮。

FM的一個缺陷在于沒辦法針對每一條樣本來構(gòu)建獨有的特征權(quán)值,舉個論文中的例子來看溉箕,如果有一條樣本長這樣:<年輕晦墙,女性,學(xué)生肴茄,喜歡粉色>晌畅,target item是連衣裙,那么這一條樣本都對整個target item具備比較大的作用寡痰,比如說女性整個特征抗楔,跟連衣裙交叉就應(yīng)該獲得比較大的權(quán)值。我們接著來看另一條樣本:<年輕拦坠,女性连躏,學(xué)生,喜歡藍(lán)色>贪婉,target item是筆記本,這個時候女性這個特征對于筆記本這個item就不應(yīng)該賦予很大的權(quán)值卢肃。

通過上面的例子疲迂,我想你應(yīng)該大概知道了,每一條樣本中的每個特征都應(yīng)該具備自己對于target item所具備的權(quán)值莫湘,也就是通過不同特征組成的樣本對于FM中兩個向量計算內(nèi)積的weight不應(yīng)該相同尤蒿。

所以IFM(Input-aware Factorization Machines)對于FM進(jìn)行了改進(jìn),也就是讓FM變成了樣本感知的FM模型

二幅垮、IFM模型


我們先看一下IFM的公式:

可以看到在計算內(nèi)積和一階lr的時候多了個x這個東西腰池,這就意味著每個樣本的v都是自己獨有的,盡管兩條樣本都具備相同的特征忙芒,比如之前說的女性這個特征示弓,那么他們具備各自的權(quán)值,并且用這個權(quán)值的作用在原始的embedding v上面呵萨,具體而言是:

其中m_{x,i} 就是樣本x在特征i上的權(quán)值奏属,這下我們就明白了,整個IFM都是圍繞著計算這個m去的潮峦。

Factor Estimating Network

我們觀察上面的網(wǎng)絡(luò)囱皿,在結(jié)合下面的計算公式勇婴,相信你很快就能理解了:

其中Vx,就是把所有的非零的特征的embedding concat出來嘱腥,然后送DNN耕渴,在送softmax就得到了最后的m,注意齿兔,這里用h(非零特征的總數(shù))來進(jìn)行scale橱脸,也就是起到了放大的作用,這里公式應(yīng)該寫錯了愧驱,上面應(yīng)該是i不是d慰技。

三、實驗結(jié)果



我對于該論文沒有啥特別覺得經(jīng)驗的地方组砚,自我感覺IFM是在FM的修修補補吻商,與其說是樣本感知的FM模型,不如說是特征組合方式的感知FM模型糟红,不同的特征組合會導(dǎo)致不同的m艾帐,其實可以在這里用attention來做?

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末盆偿,一起剝皮案震驚了整個濱河市柒爸,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌事扭,老刑警劉巖捎稚,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異求橄,居然都是意外死亡今野,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進(jìn)店門罐农,熙熙樓的掌柜王于貴愁眉苦臉地迎上來条霜,“玉大人,你說我怎么就攤上這事涵亏≡姿” “怎么了?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵气筋,是天一觀的道長拆内。 經(jīng)常有香客問我,道長宠默,這世上最難降的妖魔是什么矛纹? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任,我火速辦了婚禮光稼,結(jié)果婚禮上或南,老公的妹妹穿的比我還像新娘孩等。我一直安慰自己,他們只是感情好采够,可當(dāng)我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布肄方。 她就那樣靜靜地躺著,像睡著了一般蹬癌。 火紅的嫁衣襯著肌膚如雪权她。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天逝薪,我揣著相機與錄音隅要,去河邊找鬼。 笑死董济,一個胖子當(dāng)著我的面吹牛步清,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播虏肾,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼廓啊,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了封豪?” 一聲冷哼從身側(cè)響起谴轮,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎吹埠,沒想到半個月后第步,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡缘琅,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年粘都,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片胯杭。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡驯杜,死狀恐怖受啥,靈堂內(nèi)的尸體忽然破棺而出做个,到底是詐尸還是另有隱情,我是刑警寧澤滚局,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布居暖,位于F島的核電站,受9級特大地震影響藤肢,放射性物質(zhì)發(fā)生泄漏太闺。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一嘁圈、第九天 我趴在偏房一處隱蔽的房頂上張望省骂。 院中可真熱鬧蟀淮,春花似錦、人聲如沸钞澳。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽轧粟。三九已至策治,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間兰吟,已是汗流浹背通惫。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留混蔼,地道東北人履腋。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像拄丰,于是被迫代替她去往敵國和親府树。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容