deepFM论文学习

最新推荐文章于 2023-04-14 13:42:45 发布

骆驼算法学习笔记

最新推荐文章于 2023-04-14 13:42:45 发布

阅读量571

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签： deepFM 推荐

本文链接：https://blog.csdn.net/l18930738887/article/details/90739873

深度学习专栏收录该内容

25 篇文章

订阅专栏

本文深入解析DeepFM模型，一种结合深度学习与Factorization Machine的推荐系统算法。它通过共享feature embedding，在DL基础上增加FM特征，实现高效二阶特征交互。无需预训练，直接在模型中学习隐向量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言：deepFM结构比较清晰，更多信息可以参考最后github的代码。

核心思想：在dl基础上增加了FM特征（结构非常类似wdl）。FM（linear+二介组合特征）

细节：

1、每个特征都是一个field 映射成embedding向量

2、FM模型与deep part共享feature embedding

3、不需要预训练FM得到隐向量

4、论文给出的FM简化公式方便计算：

在代码中的映射：

# second order term
            # sum-square-part
            self.summed_features_emb = tf.reduce_sum(self.embeddings,1) # None * k
            self.summed_features_emb_square = tf.square(self.summed_features_emb) # None * K

            # squre-sum-part
            self.squared_features_emb = tf.square(self.embeddings)
            self.squared_sum_features_emb = tf.reduce_sum(self.squared_features_emb, 1)  # None * K

            #second order
            self.y_second_order = 0.5 * tf.subtract(self.summed_features_emb_square,self.squared_sum_features_emb)
            self.y_second_order = tf.nn.dropout(self.y_second_order,self.dropout_keep_fm[1])

5、评估结果