注意力FM模型AFM

Posted zhiyong_will

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了注意力FM模型AFM相关的知识,希望对你有一定的参考价值。

1. 概述

在CTR预估任务中,对模型特征的探索是一个重要的分支方向,尤其是特征的交叉,从早起的线性模型Logistic Regression开始,研究者在其中加入了人工的交叉特征,对最终的预估效果起到了正向的效果,但是人工的方式毕竟需要大量的人力,能否自动挖掘出特征的交叉成了研究的重要方向,随着Factorization Machines[1]的提出,模型能够自动处理二阶的特征交叉,极大减轻了人工交叉的工作量。

但是在FM中,每一个交叉特征的权重是一致的,但是在实际的工作中,不同的交叉特征应该具备不同的权重,尤其是较少使用到的权重,对于统一的权重会影响到模型的最终效果。AFM(Attentional Factorization Machines)[2]模型在FM模型的基础上,引入了Attention机制,通过Attention的网络对FM模型中的交叉特征赋予不同的权重。

2. 算法原理

2.1. FM模型中的交叉特征

FM模型中包含了两个部分,一部分是线性部分,另一部分是二阶的交叉部分,其表达式如下所示:

y ^ F M ( x ) = w 0 + ∑ i = 1 n w i x i ⏟ + ∑ i = 1 n ∑ j = i + 1 n w ^ i j x i x j ⏟ linear    regression pair-wise    feature omteractions \\beginmatrix \\haty_FM\\left ( \\mathbfx \\right )= & \\underbracew_0+\\sum_i=1^nw_ix_i & + & \\underbrace\\sum_i=1^n\\sum_j=i+1^n\\hatw_ijx_ix_j \\\\ & \\textrmlinear\\;regression & & \\textrmpair-wise\\;feature omteractions \\\\ \\endmatrix y^FM(x)= w0+i=1nwixilinearregression+ i=1nj=i+1nw^ijxixjpair-wisefeature omteractions
其中, w ^ i j \\hatw_ij w^ij表示的是交叉特征 x i x j x_ix_j xixj的权重,在FM算法中,为了方便计算,为每一个特征赋予了一个 k k k维的向量: v i ∈ R k \\mathbfv_i\\in \\mathbbR^k viRk,则 w ^ i j \\hatw_ij w^ij可以表示为:

w ^ i j = v i T v j \\hatw_ij=\\mathbfv_i^T\\mathbfv_j w^ij=viTvj

对于具体为甚么上述的这样的计算方式可以方便计算,可以参见参考[3]。既然上面说 w ^ i j \\hatw_ij w^ij表示的是交叉特征 x i x j x_ix_j xixj的权重,那么为什么还说在FM模型中的每个交叉特征的权重是一致的,这个怎么理解?如果将FM模型放入到神经网络的框架下,FM模型的结构可以由下图表示:

对于每一个特征都赋予一个 k k k维的向量,如上图中的第二个特征 x 2 x_2 x2 k k k维向量为 v 2 \\mathbfv_2 v2,同理,第四个特征 x 4 x_4 x4 k k k维向量为 v 4 \\mathbfv_4 v4,这里类似于对原始特征的Embedding,最终 x 2 x_2 x2 x 4 x_4 x4的交叉特征可以表示为: ( v 2 ⊙ v 4 ) x 2 x 4 \\left ( \\mathbfv_2\\odot \\mathbfv_4 \\right )x_2x_4 (v2v4)x2x4,其中, ⊙ \\odot 表示的是元素的乘积。最终,将所有的交叉特征相加便得到了交叉部分 y 2 y_2 y2

y 2 = p T ∑ ( i , j ) ∈ R x ( v i ⊙ v i ) x i x j + b y_2= \\mathbfp^T\\sum_\\left ( i,j \\right )\\in \\mathfrakR_x\\left ( \\mathbfv_i\\odot \\mathbfv_i \\right )x_ix_j+b y2=pT(i,j)Rx(vivi)xixj+b

其中, R x = ( i , j ) i ∈ χ , j ∈ χ , j > i \\mathfrakR_x=\\left\\\\left ( i,j \\right ) \\right\\_i\\in \\chi ,j\\in \\chi,j>i Rx=(i,j)iχ,jχ,j>i p ∈ R k \\mathbfp\\in \\mathbbR^k pRk b ∈ R b\\in \\mathbbR bR,在上述的FM中, p = 1 \\mathbfp=\\mathbf1 p=1 b = 0 b=0 b=0。在相加的过程中,对于每一部分的交叉特征的权重都是一致的,这就会导致上面说的统一的权重会影响到模型的最终效果。我们希望对于每一部分的交叉特征能够有不同的权重,即:

y 2 = p T ∑ ( i , j ) ∈ R x a i , j ( v i ⊙ v i ) x i x j + b y_2=\\mathbfp^T\\sum_\\left ( i,j \\right )\\in \\mathfrakR_xa_i,j\\left ( \\mathbfv_i\\odot \\mathbfv_i \\right )x_ix_j+b y2=以上是关于注意力FM模型AFM的主要内容,如果未能解决你的问题,请参考以下文章

推荐系统FM系列文章-- AFM模型

AFM论文精读

5AFM(Attention+FM)-----Attentional Factorization Machines:Learning the Weight of Feature Interactio

摆脱 FM!这些推荐系统模型真香

GMSK研究PCM/FM和GMSK的调制和解调方法

FMLFMAFMNFMDeepFM Deep Cross Network