推荐系统中的神经因素分解模型

前言

在CTR预估任务中

简单的线性模型虽然简单，同样这样是它的不足，就是限制了模型的表达能力，随着数据的大且复杂，这种模型并不能充分挖掘数据中的隐含信息，且忽略了特征间的交互，如果想交互，需要复杂的特征工程。
FM模型考虑了特征的二阶交叉，但是这种交叉仅停留在了二阶层次，虽然说能够进行高阶，但是计算量和复杂性一下子随着阶数的增加一下子就上来了。所以二阶是最常见的情况，会忽略高阶特征交叉的信息
DNN，适合天然的高阶交叉信息的学习，但是低阶的交叉会忽略掉，并且不能够实时的进行更新参数，而且记忆能力较弱。
W&D模型进行了一个伟大的尝试，把简单的LR模型和DNN模型进行了组合， 使得模型既能够学习高阶组合特征，又能够学习低阶的特征模式，但是W&D的wide部分是用了LR模型， 这一块依然是需要一些经验性的特征工程的，且Wide部分和Deep部分需要两种不同的输入模式， 这个在具体实际应用中需要很强的业务经验。
所以相应的算法也就应运而生，关于FNN、DeepFM前面都已经讲解过了，今天讲一下NFM，希望大家千万不要混淆了，hhh。

一、NFM模型的原理和论文细节

NFM（Neural Factorization Machines）是由新加坡国立大学何向南教授等人于2017年在SIGIR会议上提出的模型。 当阐述DeepFM时，在介绍Factor