深度学习在推荐系统的应用(二)

AFM模型(Attentional Factorization Machine)

\[ŷ_{AFM}(x)=ω_0+∑_{i=1}^{n}ω_{i}x_{i}+p^T∑^{n}_{i=1}∑^{n}_{j=i+1}a_{ij}(v_i⊙v_j)x_ix_j \]

FwFM模型(Field-weighted Factorization Machines)

\[Φ_{FwFMs}((w,v), x) = w_{0} +∑_{i=1}^{m}x_iw_i +∑_{i=1}^{m}∑_{j=i+1}^{m}x_ix_j⟨v_i,v_j⟩r_{F (i),F (j)} \]

  • 模型特点
    FwFM是在WWW'18上由Oath公司提出的点击率预估模型,针对FFM参数量大的不足提出了改进并在著名的公开数据集Criteo上验证有效。从模型形式上可以看出FwFM与FM区别仅在于FwFM给每个二阶交叉项引入了一个实数weight:

\[r_{F (i),F (j)} \]

总计多出m*(m-1)/2个参数,m是field个数。

xDeepFM(极深因子分解机模型)

1.CIN结构:
CIN结构

2.计算公式:

\[\text{矩阵$𝑋^𝑘$中的第ℎ行的计算公式为:$X_{h,*}^k = \sum_{i=1}^{H_{k-1}}\sum_{j=1}^m{W_{ij}^{k,h}(X_{i,*}^{k-1} \circ X_{j,*}^0)}$} \]

posted @ 2019-04-08 09:23  混沌战神阿瑞斯  阅读(926)  评论(0编辑  收藏