文章目录
-
- DeepFM: A Factorization-Machine based Neural Network for CTR Prediction（2017）
-
- (0) 个人小结
- (1) 研究目标
- (2) 背景 & 问题描述
- (3) 研究方法
- (4) 结论与展望
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction（2017）
(0) 个人小结
传统推荐方法和深度学习结合的形式有两种，分别是并行和串行。DeepFM就是并行的一种，FM负责处理低阶（一阶和二阶）特征交叉，Deep部分负责处理高阶特征交叉。并且FM和Deep共享输入，且输入不需要人工特征工程。模型自下而上由：输入层、Embedding层、FM + Deep层、输出层组成。
特点：
- 不需要预训练
- 不需要人工特征处理
- 可以学习低阶和高阶特征信息
(1) 研究目标
提出FM和DNN的结合模型
(2) 背景 & 问题描述
FNN需要人工处理特征，且FM只在模型输入层初始化Embedding时起作用，FNN需要预训练且只能学习到高阶特征交叉信息。Wide&Deep分别有不同的输入，Wide部分需要人工特征工程。
(3) 研究方法
(4) 结论与展望
探索其他的策略，如：引入池化层来更好的学习高阶特征信息