deepFM模型

最新推荐文章于 2025-11-30 15:25:22 发布
原创 最新推荐文章于 2025-11-30 15:25:22 发布 · 241 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：

#机器学习 #深度学习 #人工智能 #推荐算法

DeepFM模型通过使用FM替换wide&deep的wide部分，解决了人工构造特征的局限性。在DeepFM中，embedding向量由DNN更新，而FM部分直接利用这些向量进行二阶交互特征的计算，实现端到端的训练，无需预训练。该模型在处理复杂数据交互时表现出优势。

这个模型的主要是基于wide&deep改进的，wide&deep模型的wide部分需要人工构造特征，这个会有局限性，所以deepfm改造了wide&deep模型的wide，用FM代替了wide部分。

在这里插入图片描述

注意点:

1.embedding向量是由dnn更新参数的，fm只需要直接用

2.这是端到端的训练，不用预训练

3.对于fm的那个二阶交互特征的公式要会，这个具体看FM模型。

参考博客:

https://zhongqiang.blog.youkuaiyun.com/article/details/109532267 

安全验证 - 知乎知乎，中文互联网高质量的问答社区和创作者聚集的原创内容平台，于 2011 年 1 月正式上线，以「让人们更好的分享知识、经验和见解，找到自己的解答」为品牌使命。知乎凭借认真、专业、友善的社区氛围、独特的产品机制以及结构化和易获得的优质内容，聚集了中文互联网科技、商业、影视、时尚、文化等领域最具创造力的人群，已成为综合性、全品类、在诸多领域具有关键影响力的知识分享社区和创作者聚集的原创内容平台，建立起了以社区驱动的内容变现商业模式。https://zhuanlan.zhihu.com/p/549839185

人工智能大作业-基于 DeepFM 模型实现点击率预估python源码+详细项目说明.zip
06-13
人工智能大作业-基于 DeepFM 模型实现点击率预估python源码+详细项目说明.zip人工智能大作业-基于 DeepFM 模型实现点击率预估python源码+详细项目说明.zip人工智能大作业-基于 DeepFM 模型实现点击率预估python源码+...
Python实现基于DeepFM模型的音乐推荐.zip
11-22
本项目文件中，涉及到的DeepFM模型结合了深度学习和因子分解机的优点，从而为音乐推荐提供了一个更为精准的推荐模型。 深度学习在推荐系统中的应用日益广泛，尤其是深度神经网络模型，它们能够通过学习用户和物品的...
推荐算法(四)——经典模型 DeepFM 模型详解及代码实践
予以初始的博客
03-31 7806
目录1 介绍2 模型结构3 实验结果4 总结5 代码实践 1 介绍 DeepFM 是华为诺亚方舟实验室在 2017 年提出的模型。 论文传送门： A Factorization-Machine based Neural Network for CTR Prediction 正如名称所示，DeepFM 是 Deep 与 FM 结合的产物，也是 Wide&Deep 的改进版，只是将其中的 LR 替换成了 FM，提升了模型 wide 侧提取信息的能力。学 DeepFM 之前建议先了解 FM 与 Wide
DeepFM模型
01-15 2118
在推荐系统中，学习特征的交互对于最大化CTR是非常重要的。尽管现有的方法都取得很大的成功，对于低阶和高阶的特征交互研究很少，还需要一些实验和特征工程。在本文中，我们展示了低阶和高阶交互的端对端学习。采用的模型是DeepFM，它将推荐系统的FM模型和深度模型进行整合。通过和谷歌的Wide&Deep模型对比，DeepFM的wide和deep部分共享输入，不需要对原始数据进行特征工程。基于bench-mark data和commercial data对DeepFM在CTR预估方面进行综合试验。 1.简介
【推荐算法】DeepFM模型：A Factorization-Machine based Neural Network for CTR Prediction
长相忆兮长相忆的专栏
06-03 4070
DeepFM模型是由哈尔滨工业大学和华为实验室联合提出的，将FM模型结构与Wide&Deep模型进行了融合。DeepFM可以同时提取低阶组合特征与高阶组合特征。其中，FM模型负责提取一阶特征以及两两交叉特征；DNN模型负责提取高阶特征。相比于谷歌最新的Wide&Deep模型，DeepFM模型的Deep component和FM component从Embedding层共享数据输入，同时不需要专门的特征工程，在推荐系统中取得了不错的推荐效果。
深度因子化机DeepFM模型中文详细解读与实践
weixin_36431145的博客
10-21 2168
本文还有配套的精品资源，点击获取 简介：DeepFM结合深度学习与传统因子分解机（FM），专为推荐系统中的CTR预测设计。模型通过浅层线性部分捕捉特征交互，深层神经网络部分增强非线性表达。本中文版介绍将帮助读者了解DeepFM的核心概念、结构优势及实际应用。通过分层结构和优化策略，DeepFM能高效处理大规模稀疏数据，适用于广告和推荐系统。 1. 深度因子化机（D...
DeepFM模型预测高潜购买用户
10-15 1523
深度因子分解与神经网络的结合：DeepFM模型结合了FM（因子分解机）和深度神经网络的优点。FM通过因子分解处理稀疏特征交互，能够对特征的低阶交互进行有效建模；而深度神经网络（DNN）则擅长捕捉高阶特征交互。在这个项目中，FM部分帮助模型理解用户与商品的交互数据，而DNN部分则进一步发掘复杂的特征组合，增强了模型的表达能力。特征工程的自动化：在代码中，模型通过FM层自动学习低阶特征的交互关系，并通过DNN层学习高阶的特征组合，这减少了传统推荐系统中依赖人工特征设计的复杂性。
基于 Criteo 子数据集实践 TensorFlow2.0 版 DeepFM 模型
08-19
通过使用TensorFlow2.0实践DeepFM模型，不仅可以学习如何构建和训练一个深度学习模型，还能够深入了解因子分解机与深度神经网络结合的机制，及其在处理大规模推荐系统数据时的优势。此外，这种方法也给开发者提供了...
DeepFM模型代码详解
凝眸伏笔的博客
10-16 1678
DeepFM 中，很重要的一项就是 embedding 操作，所以我们先来看看什么是 embedding，可以简单的理解为，将一个特征转换为一个向量。在推荐系统当中，我们经常会遇到离散变量，如 userid、itemid。对于离散变量，我们一般的做法是将其转换为 one-hot，但对于 itemid 这种离散变量，转换成 one-hot 之后维度非常高，但里面只有一个是 1，其余都为 0。这种情况下，我们的通常做法就是将其转换为 embedding。embedding 的过程是什么样子的呢？
DeepFM模型理论和实践
qfikh的博客
01-19 2028
1、背景 特征组合的挑战 对于一个基于CTR预估的推荐系统，最重要的是学习到用户点击行为背后隐含的特征组合。在不同的推荐场景中，低阶组合特征或者高阶组合特征可能都会对最终的CTR产生影响。 之前介绍的因子分解机(Factorization Machines, FM)通过对于每一维特征的隐变量内积来提取特征组合。最终的结果也非常好。但是，虽然理论上来讲FM可以对高阶特征组合进行建模，但实际...
推荐算法之DeepFM
qq_38375203的博客
06-14 1万+
今天的模型是DeepFM，这算是一个非常经典的模型了。在介绍这个模型之前先针对之前模型的不足进行一个小总结，这也是DeepFM模型提出来的一个原因。CTR预测任务中， 高阶特征和低阶特征的学习都非常的重要。 推荐模型我们也学习了很多，基本上是从最简单的线性模型(LR)， 到考虑低阶特征交叉的FM， 到考虑高度交叉的神经网络，再到两者都考虑的W&D组合模型。 其实这些模型又存在着自己的问题，也是后面模型不断需要进行改进的原理，主要有下面几点：所以DeepFM也就应运而生了，老规矩先看一下知识脉络图：DeepF
DeepFM模型介绍
舟
01-11 1912
DeepFM实践FM模型DeepFM模型代码实践 FM模型 作用：将特征向量化后，利用特征向量的点积作为交叉项的权重，从而进行自动二阶交叉。 优点：泛化能力强，尤其是大规模稀疏特征场景，对于没有同时出现的特征交叉也可以学到权重。 本质上，MF模型是FM模型的特例，MF可以被认为是只有User ID 和Item ID这两个特征Fields的FM模型，MF将这两类特征通过矩阵分解，来达到将这两类特征...
DeepFM模型介绍及应用
冷的太明显
05-01 1万+
Introduction DeepFm模型 模型结构 FM Component Deep Component Introduction 对于一个基于CTR预估的推荐系统，最重要的是学习到用户点击行为背后隐含的特征组合。在不同的推荐场景中，低阶组合特征或者高阶组合特征可能都会对最终的CTR产生影响。 Wide & Deep Learning通过组合使用cross-p...
DeepFM模型原理与案例实现
Rocket,Qian的博客
07-08 1547
DeepFM
CTR预估算法之FM, FFM, DeepFM及实践
热门推荐
JohnSon
12-29 8万+
目录 目录 CTR预估综述 Factorization Machines(FM) 算法原理 代码实现 Field-aware Factorization Machines(FFM) 算法原理 代码实现 Deep FM 算法原理 代码实现 参考文献 CTR预估综述 点击率(Click through rate)是点击特定链接的用户与查看页面，电子邮...
机器学习周报二十四
最新发布
weixin_60864619的博客
11-30 750
本周学习了潜在扩散模型的概念，潜在扩散模型的实现是很简单的，之后学习了变分自编码器(VAE)。同时解决了之前的RCNN目标检测的模型，但是效果很差。This week, I studied the concept of latent diffusion models. The implementation of latent diffusion models is quite simple. Afterwards, I learned about variational autoencoders (VAE)
11.1 高斯消元法的应用
passxgx的博客
11-26 781
高斯消元法实际应用
AAAI-2013《Spectral Rotation versus K-Means in Spectral Clustering》
Christo的博客
11-30 497
这篇论文成功地将谱旋转技术应用于谱聚类，解决了传统K-Means在处理松弛谱向量时的偏差问题。通过引入正交旋转约束，方法在理论上保证了更好的连续-离散逼近，并在实验中证明了其在图割优化和聚类指标上的优越性。论文结构清晰：从谱聚类背景引入问题，推导优化算法，提供理论证明，并通过基准数据集验证。该工作强调了谱聚类后处理的的重要性，为后续研究（如自适应谱聚类）提供了基础。
deepfm模型保存
09-03
DeepFM模型是一种结合了深度学习和传统的因子分解机（Factorization Machines, FMs）的推荐系统模型。它通过深度神经网络来学习特征的高阶交叉组合，同时保留了FM的线性部分，以此来捕捉特征的低阶交互。保存DeepFM模型通常包括保存模型的参数、结构以及训练过程中的状态信息，以便之后能够进行模型的加载和预测。在实际操作中，可以使用各种深度学习框架（例如TensorFlow或PyTorch）提供的模型保存和加载机制来实现这一点。 以TensorFlow为例，你可以使用`tf.train.Checkpoint`和`tf.train.CheckpointManager`来保存和管理模型的训练状态。以下是一个简单的保存流程示例： 1. 导入需要的模块： ```python import tensorflow as tf ``` 2. 定义模型结构： ```python class DeepFMModel(tf.keras.Model): # 定义DeepFM模型的结构 pass ``` 3. 创建模型实例和Checkpoint： ```python model = DeepFMModel(...) ckpt = tf.train.Checkpoint(step=tf.Variable(1), optimizer=model.optimizer, net=model) manager = tf.train.CheckpointManager(ckpt, './tf_ckpts', max_to_keep=3) ``` 4. 训练模型，并在适当的时候保存状态： ```python for example in data_loader: loss = model.train_step(example) ckpt.step.assign_add(1) if int(ckpt.step) % save_every == 0: save_path = manager.save() print(f'Saved checkpoint for step {int(ckpt.step)}: {save_path}') ``` 加载模型时，可以使用以下代码： ```python restored_model = DeepFMModel(...) ckpt.restore(manager.latest_checkpoint) if manager.latest_checkpoint: print(f'Restored from {manager.latest_checkpoint}') else: print('Initializing from scratch.') ``` 确保在保存和加载模型时，模型的结构、输入数据的预处理方式等都保持一致，以保证模型的正确加载和使用。
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