librec nfm实现笔记

最新推荐文章于 2025-11-17 09:40:38 发布
原创 最新推荐文章于 2025-11-17 09:40:38 发布 · 1.5k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#librec

本文深入解析了NFM(神经因子分解机)模型的核心原理。NFM通过Bi-InteractionLayer实现特征之间的交互作用，尤其适用于CTR预测等场景。该模型能够有效捕捉到任意两个特征的联合影响，对于理解用户行为具有重要意义。

 

FM

如下图 一般一个场景一共n个特征  xi是其中一个特征  对应到一阶wi为一个数 对应到二阶就是一个特征向量vi 与另一个特征向量vj的内积。向量长度一般称为embedding_size  fm在于刻画任意两个联合特征的影响。

 

 

 

 

NFM 核心部分

Bi-Interaction Layer 就是任意两个k维特征向量做element-wise 乘积然后相加，注意输出是一个k纬度的向量。

举个例子 注意ctr数据集每个样本都能观察到39个field 每个field对于每个样本都映射一个特征，也就是这个模型考察每个样本39个特征联合影响。

 

推荐算法－NFM
Silence的博客
05-22 4749
推荐算法－NFM   FM对于特征的组合仅限于二阶，缺少对特征之间深层次关系的抽取。因此，NFM提出来就是在FM的基础上引入神经网络，实现对特征的深层次抽取。NFM的模型结构图如下所示：   模型的结构如上图所示，首先输入就是离散化的特征，然后再进行embedding操作，获得每一个特征的向量表示。接着就到了Bi-interaction Pooling层，这里其实就是FM部分。FM的公式如下图所...
LibRec 学习笔记（十二）：SBPR 的训练 Loss 为什么越来越大，没有收敛的迹象？
欢迎来到小丁的技术空间
04-24 2849
简单记录刚刚在使用 librec 时发现的一个小点，发现越训练，loss值越大？？？ 训练的数据集是 filmtrust ，训练的效果如下图所示，loss值一直在上升，肯定是有问题的！ 说明： 上图的 loss 是每一次迭代的 loss 总值 delta_loss 是上一次迭代的 loss 值 - 本次迭代 loss 值 在网上查了下才发现可能是学习率太大的原因 去查了资料才发现是 ...
推荐系统之NFM原理与实现学习
DXRfighting的博客
03-23 609
目录 上一次学习了DeepFM模型，DeepFM是在经典的Wide&Deep模型的基础上将wide部分替换成了FM模型，然后将FM模型的输出结果与deep部分的输出结果并行连接，最后结合两边的输出得到最终的预测结果。而这次学习的NFM模型与DeepFM模型的不同之处在于，NFM是将FM模型和Deep部分串行连接在了一起，FM部分的输出结果经过一个特征交叉池化层后就直接作为 ...
librec学习笔记（一）：将librec导入maven项目中
x land的博客
04-11 2535
最近由于竞赛的原因，需要学习推荐系统相关知识，而librec是一个基于Java的开源推荐算法库，由东北大学郭贵冰团队编写，在GitHub上有2.9k个star了。 本文大部分步骤参考至LibRec 学习笔记（一）：如何在自己的项目中导入第三方包：LibRec ？ 目录一、下载librec二、创建maven项目三、将librec作为jar包导入自己的maven项目中三、测试四、博客中缺少的一步 一、下载librec github地址为：GitHub项目地址 不能科学上网的同学，可以通过我的百度网盘的地址进.
探索LibREC: 开源推荐系统框架，智能解决方案的新起点
gitblog_00035的博客
11-15 683
是一个强大的、灵活的开源推荐系统框架，专为数据科学家和研究人员设计。它集成了多种推荐算法，并提供了一个友好的开发环境，使得预测个性化偏好变得简单而高效。 ## 项目简介 LibREC（Library for Recommender Systems）的核心目标是促进推荐系统的研发和应用。它提供了一个统一的平台，可以方便地实验各种推荐算法，并进行性能比较。这个项目的目标是通过简化推荐系统的构建过程
NFM(Neural Factorization Machines)：模型原理及pytorch代码实现
zhao254014的博客
09-14 3096
NFM的核心创新点是Bi-Interaction池化部分来代替其他模型使用的拼接。
推荐系统学习笔记之NFM模型
clshishuaige的博客
03-24 1154
目录模型简介模型结构与分析Input层Embedding层B-Interaction 层隐藏层（Hidden Layers）预测层（Prediction Score）模型搭建及训练数据集代码训练结果总结 模型简介 NFM(Neural Factorization Machines)是2017年由新加坡国立大学的何向南教授等人在SIGIR会议上提出的一个模型，是传统FM模型的改良，目的是为了解决FM模型因只能交叉到二阶，且是线性模型从而在真实生活场景中复杂且具有规律的数据上表现不佳的问题。 模型结构与分析 模
NFM
m0_54699944的博客
03-25 339
NFM(Neural Factorization Machines)是2017年由新加坡国立大学的何向南教授等人在SIGIR会议上提出的一个模型，论文《Neural Factorization Machines for Sparse Predictive Analytics》。 NFM主要是面向稀疏特征的交叉问题, 将FM对二阶特征的线性交叉,与神经网络对高阶特征非线性交叉无缝的结合在了一起。 提出了Bilinear Interaction(Bi-Interaction) pooling操作 (有别于传统
Wide&Deep Model、Wide Model（LR）、Deep Model、DeepFm Model、NFM Model复现笔记
aaHua_
12-24 1760
声明：本模型复现笔记记录自己学习过程，如果有错误请各位老师批评指正。 本周复现了Wide&Deep Model、Wide Model、Deep Model、DeepFm Model、NFM Model dataset：cretio数据集（选取了train 20000， test 5000） Wide&Deep Model结合了Wide Model（LR）的记忆性和Deep Model的泛化能力，对于部署应用来说会提高用户的获取率和满意度，但是Wide&Deep的Wide part，需
【亲测免费】 LibRec 推荐系统库使用教程
gitblog_00504的博客
11-15 591
LibRec（https://guoguibing.github.io/librec/index.html）是一个用Java编写的推荐系统库，支持Java 1.7及以上版本。它实现了多种最先进的推荐算法，旨在解决两个经典的推荐任务：评分预测和物品排序。LibRec具有丰富的算法、高模块化、高性能、灵活配置、简单使用和易于扩展等特点。 ## 2. 项目快速启动 ### 2.1 安装 你可以通过
LibRec:一个领先的推荐系统Java库
08-08
它实现了一套最先进的推荐算法，旨在解决两个经典推荐任务：评级预测和项目排名。
【亲测免费】 LibRec：开源推荐系统库的佼佼者
最新发布
gitblog_00927的博客
11-17 1052
LibRec（https://guoguibing.github.io/librec/index.html）是一个基于Java的推荐系统库，要求Java版本为1.7或更高。它实现了多种最先进的推荐算法，旨在解决两个经典的推荐任务：评分预测和物品排序。LibRec不仅提供了丰富的算法选择，还具备高模块化、高性能、灵活配置和简单易用等特点，是推荐系统开发者的理想选择。 ## 项目技术分析 LibR
Librec
weixin_43058364的博客
10-28 3499
原文链接：https://blog.youkuaiyun.com/chloezhao/article/details/55189584 Librec Librec: http://www.librec.net/ Github Repo: https://github.com/guoguibing/librec Doc Link: http://wiki.librec.net/doku.php 特色功能：  ...
LibRec推荐系统库：上下文模块详解与技术解析
gitblog_00141的博客
11-16 364
LibRec是一个基于Java开发的高级推荐系统开源库，它集成了约70种不同的推荐算法，能够有效解决评分预测和排序推荐两大核心问题。作为机器学习和大数据应用的典型代表，推荐系统在现代互联网服务中扮演着重要角色。LibRec 2.0.0-RC版本在模块化设计、实现方式和可用性方面都有显著提升，同时进一步优化了推荐性能。 ## 核心模块架构 LibRec采用高度模块化的设计思想，将推荐系统的各个功
LibRec 学习笔记（二）：如何成功运行 LibRec 官方提供的code snippet？
欢迎来到小丁的技术空间
01-30 2120
首先，Librec官方针对librec-core 2.0 提供的code snippet链接在此，该代码只适用于2.0。 我这里直接使用的是librec-core 3.0,官方提供的针对3.0 提供的code snippet链接在此，代码如下： public static void main(String[] args) throws Exception { //...
LibRec： 基于机器学习的大数据推荐系统
weixin_33676492的博客
02-13 736
简介：LibRec是领先的推荐系统Java开源算法工具库，覆盖了70余个各类型推荐算法，有效解决评分预测和物品推荐两大关键的推荐问题。推荐系统是机器学习和大数据技术的经典实际应用，旨在提供高效准确的个性化物品推荐，是现代Web应用的重要组件。项目结构清晰，代码风格良好，测试充分，注释与手册完善。目前项目使用GPL3.0协议开源在github中，欢迎大家试用。Librec:...
librec运行方法
Chloezhao的专栏
05-23 3544
赞人品，祝自己查代码顺利，祝自己答辩顺利！祝自己顺利毕业 有感于一个多月没有碰librec，竟然忘记如何执行，好记性果然比不上烂笔头 1.  命令行执行，见之前的博文 2.使用test包下的相应的java文件通过junit运行
LibRec：一个实现推荐系统的Java库包
weixin_34004750的博客
12-06 1227
LibRec是一个用于实现推系统 RS 的Java库包，实现推荐系统的两个经典问题： rating prediction(评分排行预测) 和 item ranking (项目排行)，其内置了经典的机器学习算法。目前支持很多推荐算法包括：UserKNN, ItemKNN, RegSVD, PMF, SVD++, BiasedMF, BPMF, SocialMF, TrustMF, SoRec, So...
NFM推荐算法pytorch实现
05-15
以下是基于PyTorch实现的NFM推荐算法代码，供参考： ``` import torch import torch.nn as nn import torch.nn.functional as F class NFM(nn.Module): def __init__(self, feature_dim, embedding_dim, hidden_dim, output_dim, dropout_prob): super().__init__() self.feature_dim = feature_dim self.embedding_dim = embedding_dim self.hidden_dim = hidden_dim self.output_dim = output_dim self.dropout_prob = dropout_prob self.embedding = nn.Embedding(feature_dim, embedding_dim) self.linear1 = nn.Linear(embedding_dim, hidden_dim) self.linear2 = nn.Linear(hidden_dim, output_dim) self.linear3 = nn.Linear(embedding_dim, output_dim) self.dropout = nn.Dropout(dropout_prob) def forward(self, x): # Embedding layer x_emb = self.embedding(x) # Bi-Interaction layer sum_square = torch.sum(x_emb, dim=1) ** 2 square_sum = torch.sum(x_emb ** 2, dim=1) bi_interaction = 0.5 * (sum_square - square_sum) # MLP layer mlp_output = F.relu(self.linear1(self.dropout(bi_interaction))) mlp_output = self.linear2(self.dropout(mlp_output)) # Output layer output = self.linear3(x_emb.mean(dim=1)) + mlp_output return output ``` 其中，`feature_dim`为特征维度，`embedding_dim`为嵌入维度，`hidden_dim`为隐层维度，`output_dim`为输出维度，`dropout_prob`为dropout概率。 在模型的前向传播过程中，首先通过`nn.Embedding`层将输入的离散特征转化为嵌入向量，然后通过Bi-Interaction Layer计算二阶交叉特征，再通过MLP Layer进行非线性变换，最后将MLP输出和原始嵌入向量的平均值相加得到最终输出。 使用时，可以像以下代码一样初始化并训练模型： ``` # 初始化模型 model = NFM(feature_dim, embedding_dim, hidden_dim, output_dim, dropout_prob) # 定义损失函数和优化器 criterion = nn.BCEWithLogitsLoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) # 训练模型 for epoch in range(num_epochs): for inputs, targets in dataloader: optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, targets) loss.backward() optimizer.step() ``` 其中，`feature_dim`、`embedding_dim`、`hidden_dim`、`output_dim`、`dropout_prob`、`learning_rate`、`num_epochs`等参数需要根据具体情况进行设置，`dataloader`是一个PyTorch的`DataLoader`对象，用于加载训练数据。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值