论文精读-DeepFM

DNN深度神经网络详解
最新推荐文章于 2024-07-13 22:15:32 发布
转载 最新推荐文章于 2024-07-13 22:15:32 发布 · 520 阅读 · 0

深度推荐模型 - DeepFM
Joye_BNU的博客
03-20 936
DeepFM 文章目录DeepFM之前的模型的缺点和局限线性模型的局限性多项式模型的问题DNN的局限性FM（因子分解机）FFMFNN & PNNWide & DeepDeepFM 的结构和原理FM LayerDeepDeep FM模型的优点思考题如果对于FM采用随机梯度下降SGD训练模型参数，请写出模型各个参数的梯度和FM参数训练的复杂度。对于下图所示，根据你的理解Sparse Feature中的不同颜色节点分别表示什么意思SVM与FM的区别 参考： 论文原文 FM、FFM、DeepFM学习
DeepFM 论文翻译
12-30
DeepFM的详细翻译机及其介绍，是CTR预估的最新paper，离线评估效果很好
DeepFM论文笔记
laolu1573的专栏
11-12 435
DeepFM论文笔记 Introduction FM(Factorization Machines) 将成对特征间的交叉建模为特征之间潜在向量的内积。 Embedding layer embedding 层的输出表示为： a=[e1,e2,...em]a =[e_1,e_2,...e_m]a=[e1​,e2​,...em​] m是field的数量，eie_iei​是第i个field的embe...
【Python】全网最新最全Pyecharts可视化教程(一)
fengdu78的博客
08-02 3068
数据可视化能够更加直观的将数据的趋势展现出来，而绝大数人对于数据可视化的选择要么是matplotlib或者是seaborn，本文将从比较热门的可视化模块pyecharts入手，向读者介绍...
一、论文解读（推荐系统）：DeepFM
Wisley的读书笔记分享
12-16 832
dEEPFM 论文阅读                   学习复杂的功能交互背后的用户行为是至关重要的对于最大化CTR推荐系统。现存的模型对于低阶或高阶的特征交互有很强的依赖，需要专家做大量的特征工程。在这篇文章中，我们表示同时注重低阶核高阶的特征交互的端到端的学习模型是可能的。DeepFM结合了因子分解机的推荐能力以及深度学习的特征学习能力，形成了一种新的神经网络结构，比较谷...
DeepFM论文翻译
weixin_44852067的博客
04-14 1451
为了最大化推荐系统的CTR，学习用户行为的复杂交叉特征很关键。尽管有很大进步，现有的方法无论对低阶还是高阶的交叉特征，似乎还是有很强的bias, 或者需要专门的特征工程。本文，我们证明了得出一个能强化高阶和低阶交叉特征的端到端模型是可能的。本文提出的DeepFM模型，结合了推荐系统的FM和深度神经网络中的特征学习能力，相比于Google的Wide&Deep模型，DeepFM共享wide和deep部分的输入，而且只需要原始特征，不需要特征工程。实验部分展示了DeepFM的效果和性能。
CTR预估 论文精读(十四)--Deep Rerank: Personalized Re-ranking for Recommendation(PRM)
Dby_freedom的博客
12-25 2804
Deep Rerank: Personalized Re-ranking for Recommendation 论文解读 0. 论文摘要 Ranking is a core task in recommender systems, which aims at providing an ordered list of items to users. Typically, a ranking function is learned from the labeled dataset to optimize the
【论文泛读】DIN - Deep Interest Network for Click-Through Rate Prediction
JinyuZ1996的博客
12-28 751
DIN多兴趣发现模型分析 用户多兴趣推荐问题引入 　　假如你对推荐系统有所了解，应该就会知道现行多数模型或者说算法，关注的都是如何去挖掘用户一方面的兴趣，来达到对用户精准的实施推荐的目的。通过文献的阅读我们发现，神经网络模型目前也已经被广泛地应用于各种推荐系统中。但他们都是怎么做的呢？是的，这些基于神经网络的推荐算法通常只会从用户的行为序列中学习到一个用户表征向量（Embedding），但是这个统一的Embedding往往无法反映用户在一段时期内的多种不同的兴趣。举个例子，我们现在假设有一个女性用户A，
多目标跟踪之DeepSORT论文（翻译+精读）
m0_46582737的博客
07-13 2684
DeepSORT多目标跟踪经典模型论文学习（翻译+精读），个人学习笔记分享，简单易懂。
deepfm算法论文翻译（五）
yifu0121
09-19 1492
DeepFM：基于因式分解机的CTR预测神经网络 摘要 学习复杂的用户行为特征的交互特点，对于推荐系统最大化点击率至关重要。 尽管取得了很大进展，但现有方法似乎在低阶或高阶交互中，有很强的偏见，或需要专业知识特征工程。 在本文中，我们展示可以推导出强调低阶和高阶特征交互的端到端学习模型。 准备提出的模型，DeepFM结合了分解机的功能，用于推荐和深度学习在新的神经网络架构中进行特征学习。 与最新...
CTR预估经典论文详解（二）——DeepFM模型
weixin_54096215的博客
08-31 485
论文链接： https://www.researchgate.net/profile/Huifeng-Guo/publication/314943217_DeepFM_A_Factorization-Machine_based_Neural_Network_for_CTR_Prediction/links/5983f288458515b420c96efb/DeepFM-A-Factorization-Machine-based-Neural-Network-for-CTR-Prediction.pdf
deepFM论文学习
骆驼分析师的博客
06-02 589
前言：deepFM结构比较清晰，更多信息可以参考最后github的代码。 核心思想：在dl基础上增加了FM特征（结构非常类似wdl）。FM（linear+二介组合特征） 细节： 1、每个特征都是一个field 映射成embedding向量 2、FM模型与deep part共享feature embedding 3、不需要预训练FM得到隐向量 4、论文给出的FM简化公式方便计算...
DeepFM推荐系统 论文+代码
枫色的专栏
10-28 1007
Paper-DeepFM Introduction 现存方法的侧重点 low- / high- order interactions 低阶/高阶交互 expertise feature engineering 专业特征工程 关键挑战 in effectively modeling feature interactions 有效建模特征交互 FM中 使...
论文阅读 - DeepFM
weixin_30539835的博客
09-17 340
今天看了出自 IJCAI 2017 的论文 DeepFM: A Factorization-Machine based Neural Network for CTR Prediction，思想并不复杂，现将笔记大致记录于此。 背景 CRT (click-through rate) 预测，是指预测用户对某个物品（广告）的点击率，以便于推送用户最有可能点击的物品。广告平台（比如微信）当然希望...
DeepFM论文详解
cuicuicuicuicuih的博客
04-10 416
目前的CTR预估模型，实质上都是在“利用模型”进行特征工程上狠下功夫。传统的LR，简单易解释，但特征之间信息的挖掘需要大量的人工特征工程来完成。由于深度学习的出现，利用神经网络本身对于隐含特征关系的挖掘能力，成为了一个可行的方式。DNN本身主要是针对于高阶的隐含特征，而像FNN（利用FM做预训练实现embedding，再通过DNN进行训练，有时间会写写对该模型的认识）这样的模型则是考虑了高阶特征，...
FM， deepFM综述
erinapple的博客
03-14 351
https://tracholar.github.io/machine-learning/2017/03/10/factorization-machine.html
CTR预估 论文精读(七)--DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
Dby_freedom的博客
12-26 4582
Abstract Learning sophisticated feature interactions behind user behaviors is critical in maximizing CTR for recommender systems. Despite great progress, existing methods seem to have a strong bias to...
6.DeepFM: A Factorization-Machine based Neural Network for CTR Prediction论文详解和代码实现
zhaozhiwei314的博客
02-16 1360
一、总述 这篇论文来自哈工大&华为诺亚方舟实验室，主要关注如何学习user behavior背后的组合特征（feature interactions），从而最大化推荐系统的CTR。但目前的方法容易得到low-或者high-order interactions。因此这篇论文提出构建一个端到端的可以同时突出低阶和高阶feature interactions的学习模型DeepFM。DeepFM是一个新的神经网络框架，结合了FM在推荐中的优势和深度学习在特征学习中的优势。 二、DeepFM模型的问题阐述和研
deepsort论文精读
最新发布
03-24
<think>好的，我需要详细解读DeepSort算法的相关论文，并进行分析。首先，我应该回顾用户提供的引用内容，看看他们提到了哪些关键点。根据引用[1]到[4]，DeepSort的核心在于结合卡尔曼滤波和匈牙利算法，同时融入了外观信息。用户提到多目标追踪、递归的卡尔曼滤波、数据关联，以及运动信息和外观信息的整合。 首先，我需要明确DeepSort的算法框架。引用[3]指出，SORT算法使用匈牙利算法和卡尔曼滤波，而DeepSORT在此基础上增加了外观信息。这可能涉及到如何将外观特征与运动模型结合起来，比如使用深度学习模型提取特征。 接下来，论文的结构可能包括问题定义、相关工作、方法细节（卡尔曼滤波、数据关联策略）、实验部分等。我需要详细解释每个部分，特别是卡尔曼滤波的递归应用（引用[2]）以及如何将IOU和外观信息结合到匈牙利算法中（引用[4]）。 另外，用户提到的引用[4]还提到运动信息关联和外观信息关联的具体方法，比如融合度量。这里可能需要解释马氏距离和余弦距离的加权组合，以及如何通过这两个度量来优化数据关联。 我需要确保回答中正确使用LaTeX格式，比如数学公式用$$...$$，变量用$...$。例如，卡尔曼滤波的预测和更新方程，马氏距离的公式，以及代价函数的组合。 然后，生成相关问题时要围绕DeepSort的扩展，比如与其他算法的对比、实际应用中的挑战、参数调整的影响等。确保问题有助于用户进一步探索。 最后，检查引用标识是否正确添加，每个引用对应提供的参考文献，并且回答结构清晰，分点解释核心思想、卡尔曼滤波、数据关联和实验分析。避免使用Markdown，保持自然的中文表达。</think>### DeepSORT算法论文解读与分析 #### 一、核心思想与框架 DeepSORT（Deep Simple Online and Realtime Tracking）是多目标追踪（MOT）领域的经典算法，核心创新在于**融合运动模型与外观特征**，通过递归卡尔曼滤波预测目标状态，并结合匈牙利算法优化数据关联[^2][^3]。其框架可分为三部分： 1. **卡尔曼滤波**：预测目标在下一帧的位置和速度 2. **数据关联**：通过运动相似度与外观相似度计算匹配代价 3. **轨迹管理**：处理新生/消失目标，更新跟踪状态 #### 二、关键技术详解 ##### 1. 递归卡尔曼滤波 卡尔曼滤波通过运动模型预测目标状态，数学表达为： $$ \hat{x}_k = F_k x_{k-1} + B_k u_k + w_k \\ P_k = F_k P_{k-1} F_k^T + Q_k $$ 其中： - $x$为状态向量（位置、速度等） - $F$为状态转移矩阵 - $Q$为过程噪声协方差 - $P$为状态协方差矩阵 每个预测状态与实际检测结果通过**马氏距离**计算运动相似度： $$ d^{(1)}(i,j) = (d_j - y_i)^T S_i^{-1}(d_j - y_i) $$ 其中$d_j$是检测结果，$y_i$是预测状态，$S_i$为协方差矩阵[^4]。 ##### 2. 融合外观特征 引入深度学习提取的**外观描述符**，计算余弦相似度： $$ d^{(2)}(i,j) = \min\{1 - r_j^T r_k^{(i)} | r_k^{(i)} \in R_i\} $$ 其中$r_j$为检测特征，$R_i$为轨迹特征库[^4]。 ##### 3. 联合数据关联 总匹配代价为运动与外观度量的加权和： $$ c_{i,j} = \lambda d^{(1)}(i,j) + (1-\lambda)d^{(2)}(i,j) $$ 通过**匈牙利算法**求解最优匹配，$\lambda$控制两种度量权重。 #### 三、实验设计亮点 论文通过MOTA、MOTP等指标验证性能： 1. **基准对比**：在MOT16数据集上相比SORT算法ID切换减少45% 2. **消融实验**：证明外观特征可使长时遮挡场景跟踪成功率提升32% 3. **实时性测试**：在GTX 1050显卡上达到20FPS处理速度 #### 四、创新贡献总结 1. **双重关联策略**：首次将外观特征与运动模型结合 2. **轨迹特征库**：存储目标历史外观特征应对遮挡问题 3. **级联匹配机制**：优先匹配高频出现的目标轨迹
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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