25｜DeepFM：如何使用深度学习技术给数据排序？
黄鸿波
你好，我是黄鸿波。
上节课里我们讲了非常经典的 GBDT+LR 模型，虽说 GBDT+LR 的组合能够解决很大一部分问题，但是对于高阶的特征组合仍然缺乏良好的应对能力。因此就迎来了本节课要学习的内容：DeepFM。我会先从 FM 的概念入手，然后进一步讲解 DeepFM 的模型结构。
FM 算法概述
在讲解 DeepFM 之前，我们先来了解一下 FM。FM（Factorization Machines，因子分解机）是广义线性模型（GLM）的变种，是一种基于矩阵分解的机器学习算法。
当我们面对推荐系统时，数据可能是一个高维的稀疏矩阵。我们希望从这个矩阵中提取出有用的特征，并用这些特征来进行预测和推荐。常见的做法是使用矩阵分解算法（例如 SVD 和 ALS），但这种算法的计算复杂度很高，不太适用于大规模的数据集。为了解决这个问题，可以使用 FM 算法。
在一般的模型下，各个特征之间都是独立的（例如年龄和文章类别、性别和文章长度等），我们并没有考虑到特征与特征之间的相互关联。但是在实际的推荐系统中，大量的特征之间是有关联关系的，放大了来说，就是内容画像之间的各个特征其实相互关联，内容画像与用户画像之间也存在着很大的关联性。如果能够把这些特征与特征之间的关联性找到，然后挖掘其背后的关系，显然对于推荐系统来说非常有意义。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
本文介绍了深度学习技术在数据排序中的应用，重点讲解了FM算法概述和DeepFM模型结构。FM算法通过对每个特征建模，解决了高维稀疏问题，而DeepFM则结合了FM和神经网络算法的优点，能够同时对低阶和高阶组合特征进行提取。文章详细介绍了DeepFM模型结构，包括Sparse Features、Dense Embeddings、FM Layer、Hidden Layer以及Output Units等五个部分的作用和处理过程。通过对特征进行处理和嵌入，DeepFM模型能够更好地提取特征表达能力和预测性能，适用于大规模数据集、高维度特征和数据稀疏性较高的情况。此外，文章还分析了DeepFM模型的优缺点，为读者提供了全面的技术视角。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《手把手带你搭建推荐系统》，新⼈⾸单¥59
《手把手带你搭建推荐系统》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
全部留言(4)
- 最新
- 精选
G小调老师，你代码，在github上哪里作者回复: https://github.com/ipeaking/recommendation https://github.com/ipeaking/scrapy_sina
2023-07-04归属地：云南3
曾超希望老师每节课都能给到参考代码，比如这节课，太理论没有代码不好吸收。作者回复: https://github.com/ipeaking/recommendation https://github.com/ipeaking/scrapy_sina
2023-06-22归属地：北京3- 曾超老师没有参考的代码么
作者回复: https://github.com/ipeaking/recommendation https://github.com/ipeaking/scrapy_sina
2023-06-16归属地：北京1 
悟尘这节课没看懂，完全没理解2023-12-18归属地：北京
收起评论
