推荐系统与深度学习(9): [IJCAI'19] IFM: 输入

2021-05-28 本文已影响0人银色尘埃010

以下仅仅为个人对文章的阅读记录，如有错误，欢迎指正。如需转载注明来源即可~~

Yu Y, Wang Z, Yuan B. An Input-aware Factorization Machine for Sparse Prediction[C]//IJCAI. 2019: 1466-1472.
原文链接：http://www.global-optimization.com/boyuan/Mypaper/IJCAI-2019.pdf
原文Github源码：https://github.com/gulyfish/Input-aware-Factorization-Machine

一、简介

修改FM的模型，以往的FM模型例如FFM、FwFM、FMFM、FEFM等模型主要还是修改模型的二阶交互，前两篇文章刚好做了一个比较详细的介绍：

推荐系统与深度学习(8): [Adobe] FEFM和DeepFEFM模型
推荐系统与深度学习(7): [Yahoo] FMFM模型: FM|FwFM|FvFM的统一框架
而且相对FM模型也是一个简单高效易学的模型。
本文提出以下不足：
1）目前很多模型主要关注改进特征交互来提高模型的准确率；
2）每个特征只有一个表示；
3）AFM模型虽然也通过学习特征的重要性，但是还是因为每个特征只有一个固定的表示限制了。因此，本文提出根据不同的输入实例对特征的表示进行精练。
为了便于理解，给出了解释，有两个输入实例：{young，female，student，pink，skirt}；{young，female，student，blue，notebook}。前一个实例中，“female”属性很重要，因为“pink skirt”共同出现了。而在第二个实例中，“female”属性相对而言不是那么重要，因为“student” 和 “notebook”的关系更强。因此在不同的输入中，应该对此加以区分，学到不同实例中不同特征的不同表达。