xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems

• 原始论文: xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
• 代码示例xdfm.py

文章idea

• 交叉特征对CTR的预测至关重要，但是手动特征工程有很多弊端。
• FM：可以对所有的特征进行交叉，但是这样会引入无效特征，影响性能 ;FNN与PNN只侧重了高阶特征交叉，忽略了低阶。Wide & Deep 和 DeepFM通过引入hybrid architectures的方式联合了高阶和低阶特征。
• DNN以隐式的方式交叉特征，而且是bit-wise;FM是vector-wise的方式。
• DCN：特征交叉方式不够完美。引入了一种特殊类型的交叉特征。
• 因此作者提出了显式的、vector-wise方式的模型，并且可以随着网络深度的递增，增加交叉特征的degree。

文章主旨

• 提出了 xDeepFM，结合了显式与隐式的特征交叉，而且不需要手动特征工程。
• 提出了compressed interaction network (CIN) 用以学习显式的特征交叉。

  模型细节

  

模型实验

具体实现