看的是这篇文章:《深度推荐模型之DeepFM》
https://zhuanlan.zhihu.com/p/57873613
做一些学习笔记
DeepFM模型原理,该模型可认为是Wide & Deep推荐模型的升级版。 不同点主要有以下两点: wide模型部分由LR替换为FM。FM模型具有自动学习交叉特征的能力,避免了原始Wide & Deep模型中浅层部分人工特征工程的工作。 共享原始输入特征。DeepFM模型的原始特征将作为FM和Deep模型部分的共同输入,保证模型特征的准确与一致。
DeepFM模型的AUC和Logloss都优于目前的最好效果。
实验结果可以看出,DeepFM模型比其他对比模型AUC提升至少0.37%,logloss减少至少0.42%。同时可以得到以下结论: 学习特征交互可以改善CTR预估模型。 同时学习high-order和low-order特征可以改善CTR模型效果。 通过共享输入特征学习high-order和low-order交互特征表示可以提升CTR模型。