DeepFM模型概述

DeepFM实践

• 应用情境
  • 因子分解机模型
  • 深度因子分解机模型
  • 编程实现过程

场景

作为推荐系统中的关键技术，CTR预估旨在预测用户对推荐内容产生点击行为的可能性。在特征工程环节，二阶特征的交互具有重要意义，然而人工进行特征交叉不仅过程复杂，而且需要依赖丰富的领域知识和业务经验。FM模型具备自动完成二阶特征交叉的能力，能够有效捕捉相关特征，但其无法实现更高阶的特征组合学习。相比之下，DNN模型可以挖掘高阶特征之间的关联性。通过将FM与DNN相结合，衍生出了DeepFM模型。本文对FM模型及DeepFM模型进行了简要阐述，并提供了部分代码实例供参考。

FM模型

功能：在完成特征向量化处理之后，通过计算特征向量之间的点积来确定交叉项的权重，实现对二阶交叉的自动化处理。
优势：具备较强的泛化能力，在面对大规模稀疏特征的情况下表现尤为突出，即使某些特征未同时出现，也能够学习到相应的交叉权重。

从本质上讲，MF模型可视为FM模型的一个特殊情形，其核心在于仅包含User ID与Item ID这两个特征字段。MF通过