CRT之FM、FFM、DeepFM
背景:
- 在传统的线性模型中,每个特征都是独立的,如果需要考虑特征与特征之间的相互作用,可能需要人工对特征进行交叉组合;
- 非线性SVM可以对特征进行核变换,但是在特征高度稀疏的情况下,并不能很好的进行学习;
- 综上提出了FM系列算法
FM
数据模型上表达特征xi,xj的组合用xixj表示,即所说的多项式模型,通常情况下只考虑两阶多项式模型,也就是特征两两组合的问题,模型表达如下:
求解的思路是通过矩阵分解的方法,引入辅助向量,
然后用对进行求解:
从上式可以看出二项式的参数数量由原来的个减少为个,远少于多项式模型的参数数量。另外,参数因子化使得的参数和的参数不再相互独立,因为有了特征关联。因此我们可以在样本稀疏的情况下相对合理地估计FM的二次项参数。
具体来说,和的系数分别为,它们之间的共同项,因此所有包含的非零组合特征的样本都可以用来学习隐向量,很大程度上避免了数据稀疏性造成的影响。
求解,具体过程如下,仿照:
通过上述等式,FM的二次项化简为只与有关的等式。因此,FM可以在线性时间对新样本做出预测,复杂度和LR模型一样,且效果提升不少。
在训练FM时,假如使用SGD来优化模型,训练时各个参数的梯度如下:
FFM
1.原理
在CTR预估中,通常会遇到one-hot类型的变量,会导致数据特征的稀疏。为解决这个问题,FFM在FM的基础上进一步改进,在模型中引入类别的概念,即field。将同一个field的特征单独进行one-hot,因此在FFM中,每一维特征(假设个)都会针对其他特征的每个field(假设个),分别学习一个隐变量(总共个),该隐变量不仅与特征相关,也与field相关。
假设样本的个特征属于个field,那么FFM的二次项有个隐向量,相当于每个特征有个隐变量。而在FM模型中,每个特征的隐向量只有一个。FM可以看做FFM的特例,把所有特征都归属到一个field的FFM模型。其模型方程为:
FM中的系数在FFM中变为,主要是增加了一层field,所有取自于以下矩阵:
而他们具体形式同FM,为
所以,FFM的二次参数有个,远多于FM模型的个。
2.应用
CTR应用中常出现以下三类特征:
-
用户相关的特征
年龄、性别、职业、兴趣、品类偏好、浏览/购买品类等基本信息,以及用户近期点击量/购买量/消费额等统计信息 -
商品相关的特征
商品所属品类、销量、价格、评分、历史CTR/CVR等信息 -
用户-商品匹配特征
浏览/购买品类匹配、浏览/购买商家匹配、兴趣偏好匹配等
为了使用FFM方法,所有的特征必须转换成“field_id:feat_id:value”格式,field_id代表特征所属field的编号,feat_id是特征编号,value是特征的值。
- 数值型的特征比较容易处理,只需分配单独的field编号,如用户评论得分、商品的历史CTR/CVR等。
- categorical特征需要经过One-Hot编码成数值型,编码产生的所有特征同属于一个field,而特征的值只能是0或1,如用户的性别、年龄段,商品的品类id等。
- 除此之外,还有第三类特征,如用户浏览/购买品类,有多个品类id且用一个数值衡量用户浏览或购买每个品类商品的数量。这类特征按照categorical特征处理,不同的只是特征的值不是0或1,而是代表用户浏览或购买数量的数值。按前述方法得到field_id之后,再对转换后特征顺序编号,得到feat_id,特征的值也可以按照之前的方法获得。
实例
-
原始数据
-
特征编号
-
特征组合
DeepFM
FM通过对每一维特征的隐变量内积来提取特征组合,最后的结果也不错,虽然理论上FM可以对高阶特征组合进行建模,但实际上因为计算复杂度原因,一般都只用到了二阶特征组合。对于高阶特征组合来说,我们很自然想到多层神经网络DNN。
- FM结构
- DNN结构
- DeepFM结构
DeepFM目的是同时学习低阶和高阶的特征交叉,主要由FM和DNN两部分组成,底部共享同样的输入。模型可以表示为:
Dense Embedding层在FM中理解为隐变量,在DNN中理解为Embedding,解决数据过于稀疏问题 - DeepFM优势:
1.DeepFM模型的Deep component和FM component从Embedding层共享数据输入,这样做的好处是Embedding层的隐向量在(残差反向传播)训练时可以同时接受到Deep component和FM component的信息,从而使Embedding层的信息表达更加准确而最终提升推荐效果。
2.DeepFM模型同时对低阶特征组合和高阶特征组合建模,从而能够学习到各阶特征之间的组合关系
3.DeepFM模型是一个端到端的模型,不需要任何的人工特征工程
参考:
1.https://blog.****.net/hiwallace/article/details/81333604
2.TensorFlow代码实现:https://blog.****.net/John_xyz/article/details/78933253