DeepFM是一种结合FM（因子分解机）和DNN（深度神经网络）的模型，用于点击率预测。它包括wide（FM）和deep（DNN）两部分，其中FM部分处理低阶特征交互，DNN部分捕捉高阶特征交互。模型通过端到端训练，不需要复杂的特征工程，并且相比其他模型如FNN、PNN和宽深网络，DeepFM具有更好的性能和训练效率。
-
DeepFM 设计思路简单，源于 2016 年 Google 的宽深网络方法但是效果出众。DeepFM是一个集成了FM和DNN的神经网络框架，思路和Google的Wide&Deep相似，都包括wide和deep两部分。W&D模型的wide部分是广义线性模型，DeepFM的wide部分则是FM模型，两者的deep部分都是深度神经网络。DeepFM神经网络部分，隐含层的激活函数用ReLu和tanh做信号非线性映射，sigmoid函数做CTR预估的输出函数。
-
模型结构:
- FM部分的结构：
FM部分是一个因子分解机。关于因子分解机可以参阅文章[Rendle, 2010] Steffen Rendle. Factorization machines. In ICDM, 2010.。因为引入了隐变量的原因，对于几乎不出现或者很少出现的隐变量，FM也可以很好的学习。
FM的输出公式为：
- FM部分的结构：
最低0.47元/天 解锁文章
扫一扫
858
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
