论文地址:https://arxiv.org/pdf/1703.04247.pdf

CTR预估我们知道在比较多的应用场景下都有使用。如:搜索排序、推荐系统等都有广泛的应用。并且CTR具有极其重要的 地位,特别相对广告推荐领域来说更加如此,竞价广告需要通过ctr给出相应的价格,并由此获得广告曝光的机会。而ctr的大小决定了出价的高低,直接会影响到该广告是否能得到曝光机会。这里涉及到计算广告相关的知识,暂时就不展开讲了。这里主要介绍一下DeepFM该算法的基本原理和网络框架。

论文总体来看还是相对比较容易的,主要分为三个部分:

第一部分:算法的主要背景

第二部分:DeepFM的基本网络框架和原理

第三部分:实验(papers必须有的部分)

下面分别从我个人理解的角度来说说每个部分吧:

1、DeepFM算法的背景

(1)首先我们同样要回顾一下FM算法的基本原理,FM主要是在LR的基础上增加了二阶交叉项的概念,从而可以获得一些轿车特征。但是算法每个特征两两交叉的话,算法复杂度是O(n平方),

所以,为了优化FM算法,将矩阵分解应用其中。

  FM的缺点是:

  1)仅仅两两之间的交叉特征

  2)只能获得二阶交叉的特征,对于高阶特征并没有涉及

(2)从16年wide-deep算法中,或多或少的作者受到了一些启发,于是想到可以对FM算法利用深度学习进行优化,预计就提出了DeepFM算法。

2、DeepFM算法的基本原理(个人觉得还是比较简单的)

(1)总体网络结构

                

  网络结构中,主要包含Deep部分和FM部分,网络结构类似Wide-Deep结构。

(2)算法的原理

  首先网络最终输出是:

  其中,FM部分如下所示:

          

  Deep部分如下所示:

          

网络就是这么简单,就是讲这两部分的输出进行求和并输出。

3、实验。实验部分可以学习别人调节参数的经验。

(1)Dropout设置:

          

  从作者的实验来看,dropout设置为0.9效果最佳

(2)隐藏层数设定

    

  从上图来看,作者实验数据表明,隐层数量=3效果最佳

(3)隐藏层神经元个数

    神经元个数的变化: constant (200-200-200), increasing (100-200-300),decreasing (300-200-100), and diamond (150-300-150)