推荐系统笔记 Deep learning for multi-field categorical data in recommendation systems notes 7

本研究阐述了题为Deep Learning over Multi-field Categorical Data– A Case Study on User Response Prediction 的内容，其中涵盖了Factorisation NN与Sampling based NN两种方法，并提供了相关链接原文Paper链接；

摘要：

在网页搜索、个性化推荐以及在线广告等应用场景中，预测用户行为反应（如点击率CTR和转化率CVR）具有极为关键的意义；与图像和音频处理领域不同，网页环境下的输入特征多表现为离散和分类形式，其内部关联性也难以明确界定；传统预测用户响应的方法通常采用线性模型（存在欠拟合问题）或人工构建高阶交互特征（计算复杂度较高）；本文提出借助深度神经网络（DNN）来自动挖掘有效的类别特征交互模式，为确保DNN能够高效运行，采用了三种特征转换技术 ：FM （因子分解机）、RBM （受限玻尔兹曼机）、DAE （去噪自编码器）；

一、介绍

当前诸多线性模型在捕捉隐含模式方面存在局限，难以有效提取微弱特征。尽管因子分解机（FM）与梯度提升决策树（GBDT）具备一定的特征组合能力，但其在全面挖掘不同特征之间交互关系方面仍显不足。大量模型依赖人工进