Neural Factorization Machines

NFM

1. 论文

Neural Factorization Machines for Sparse Predictive Analytics

创新：将Embedding集合通过池化，转化为一个向量。Bi-Interaction层不需要额外的模型学习参数，更重要的是它在一个线性的时间内完成计算

原文笔记：https://mp.weixin.qq.com/s/1en7EyP3C2TP3-d4Ha0rSQ

2. 模型结构

3. 实验数据集

采用Criteo数据集进行测试。数据集的处理见utils文件，主要分为：

1. 考虑到Criteo文件过大，因此可以通过read_part和sample_sum读取部分数据进行测试；
2. 对缺失数据进行填充；
3. 对密集数据I1-I13进行归一化处理，对稀疏数据C1-C26进行重新编码LabelEncoder；
4. 整理得到feature_columns；
5. 切分数据集，最后返回feature_columns, (train_X, train_y), (test_X, test_y)；

4. 模型API

class NFM(keras.Model):
    def __init__(self, feature_columns, hidden_units, dnn_dropout=0., activation='relu', bn_use=True, embed_reg=1e-4):
        """
        NFM architecture
        :param feature_columns: A list. dense_feature_columns + sparse_feature_columns
        :param hidden_units: A list. Neural network hidden units.
        :param activation: A string. Activation function of dnn.
        :param dnn_dropout: A scalar. Dropout of dnn.
        :param bn_use: A Boolean. Use BatchNormalization or not.
        :param embed_reg: A scalar. The regularizer of embedding.
        """

5. 实验超参数

• file：Criteo文件；
• read_part：是否读取部分数据，True；
• sample_num：读取部分时，样本数量，5000000；
• test_size：测试集比例，0.2；
• embed_dim：Embedding维度，8；
• dnn_dropout：Dropout, 0.5；
• hidden_unit：DNN的隐藏单元，[256, 128, 64]；
• learning_rate：学习率，0.001；
• batch_size：4096；
• epoch：10；

6. 实验结果

采用Criteo数据集中前500w条数据，最终测试集的结果为：AUC：0.776491