深度学习推荐模型-NFM

最新推荐文章于 2024-12-25 18:00:29 发布
最新推荐文章于 2024-12-25 18:00:29 发布
阅读量729 收藏 2
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 深入浅出AI 推荐系统 文章标签： 神经网络 深度学习 机器学习 python 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36816848/article/details/115080932

深度学习推荐模型-NFM

本文参考链接，仅供个人学习：

https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel

知乎-推荐NFM

相关学习书籍推荐：《深度学习推荐系统》王喆

推荐算法－NFM

FM对于特征的组合仅限于二阶，缺少对特征之间深层次关系的抽取。因此，NFM提出来就是在FM的基础上引入神经网络，实现对特征的深层次抽取。

NFM Model

与FM（因式分解机）相似，NFM使用实值特征向量。给定一个稀疏向量x∈Rn作为输入，其中特征值为xi=0表示第i个特征不存在，NFM预估的目标为:

其中第一项和第二项是线性回归部分，与FM相似，FM模拟数据的全局偏

了解本专栏 订阅专栏 解锁全文 超级会员免费看
深度学习推荐模型-Wide&Deep
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-18 549
本文参考链接，仅供个人学习：https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel 相关学习书籍推荐：《深度学习推荐系统》王喆 Wide & Deep介绍 Wide & Deep Model Memorization： 之前大规模稀疏输入的处理是：通过线性模型 + 特征交叉。所带来的Memorization以及记忆能力非常有效和可解释。但是Generalizat.
深度学习推荐模型-DeepCrossing
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-16 815
深度学习推荐模型-DeepCrossing 背景 特征工程是绕不开的话题，巧妙的特征组合也许能够为模型带来质的提升。但同时，特征工程耗费的资源也是相当可观的，对于后期模型特征的维护、模型线上部署不太友好。2016年，微软提出Deep Crossing模型，旨在解决特征工程中特征组合的难题，降低人力特征组合的时间开销，通过模型自动学习特征的组合方式，也能达到不错的效果，且在各种任务中表现出较好的稳定性。 与之前介绍的FNN、PNN不同的是，Deep Crossing并没有采用显式交叉特征的方式，而是利用
CIKM 2021 | AMTL：设计孪生掩码层高效学习维度自适应的Embedding
阿里妈妈技术
11-17 1089
▐摘要在深度推荐模型中，ID类特征的表示学习是至关重要的。其中，每一个特征值将会被映射成一个特征向量。对于同一个特征域的不同特征值，传统的特征表示学习方法会固定对应特征向量的维度大小。这...
推荐算法在深度学习中的模型
厚积薄发的博客
08-11 1740
目录 1.Deep Crossing模型 1.1 什么是deep crossing模型 2.wide & deep模型 google Google Play 团队提出 2.1 什么是wide & deep模型 2.2 具体案例模型图 3.NeuralCF模型 3.1 什么是Neural CF模型 3.2 矩阵分解模型 4.双塔模型 4.2 什么是双塔模型 4.2 双塔模型在工业界的落地 5.deepFM模型 5.1 什么是Deep FM模型 5.2...
详解深度学习中推荐系统的经典模型
博客
06-27 1091
另一方面，传统的输入层是用 Embedding 的方式（如 Word2Vec 的词向量）或者主题模型的方式（如 LDA 的主题向量）来直接做词的映射，再把各个词的向量累加或者拼接起来，由于 Word2Vec 和 LDA 都是无监督的训练，这样会给整个模型引入误差，DSSM 采用统一的有监督训练，不需要在中间过程做无监督模型的映射，因此精准度会比较高。在输入特征部分，由于原始特征向量多是高纬度，高度稀疏，连续和类别混合的分域特征，因此将原始的稀疏表示特征映射为稠密的特征向量。这也是 FM 的优势所在。
深度推荐模型 -NFM
Joye_BNU的博客
03-22 1183
NFM 文章目录NFM提出背景 & 与其他模型的关系FM回顾NFM公式NFM网络总体结构网络各层的详细解释Input层和Embedding层Bi-Interaction Pooling layer隐藏层预测层小结 参考推荐系统遇上深度学习(七)–NFM模型理论和实践 提出背景 & 与其他模型的关系 NFM这个模型是在FM的基础上提出的，是为了改进FM模型只能表达特征之间两两组合之间的关系，无法建模两个特征之间深层次的关系或者说多个特征之间的交互关系，同时为了建模更高阶的特征而提出的。NFM是
深度推荐模型-NFM
Etc_in_the_great的博客
03-24 369
一、动机 传统的FM模型仅局限于线性表达和二阶交互，无法胜任生活中各种具有复杂结构和规律性的真实数据，针对这点不足，作者提出了一种将FM融合进DNN的策略，通过引进一个特征交叉池化层的结构，使得FM与DNN完美衔接，这样组合了FM的建模低阶特征交互能力和DNN学习高阶特征交互和非线性的能力，形成了NFM模型。 作者在这里的改进思路是用一个表达能力更强的函数来替代原FM中二阶隐向量内积的部分，表达能力更强的函数，使用神经网络来充当，是一个考虑了交叉，高层使用的DNN网络，最终形成NFM网络。 二、模型结构
Basic-NFM-Demo.zip
08-23
在这个"Basic-NFM-Demo.zip"项目中，我们看到作者使用了TensorFlow框架实现了一个推荐系统的实战例子，重点在于神经因子分解机（Neural Factorization Machine，简称NFM）模型。 首先，我们要理解TensorFlow是什么...
推荐系统8---FNN、DeepFM与NFM(FM在深度学习中的身影重现)
weixin_41403341的博客
07-23 1434
FNN，DeepFM，FNN （FM模型在深度学习中的各种变换）
推荐系统遇上深度学习(七)--NFM模型理论和实践
简书博客搬家测试账号
08-13 544
欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！ 对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。 本文来自天善智能社区专栏作者[文文](https://ask.h...
推荐系统深度学习推荐模型整体脉络
小叮当的博客
03-28 1321
文章目录深度学习对推荐系统的影响深度学习模型的强拟合能力深度学习模型结构的灵活性深度学习推荐模型的演化 深度学习对推荐系统的影响 深度学习给推荐系统带来了革命性的影响，能够显著提升推荐系统的效果，原因主要有两点，一是深度学习极大地增强了推荐模型的拟合能力，二是深度学习模型可以利用模型结构模拟用户兴趣的变迁、用户注意力机制等不同的用户行为过程。 深度学习模型的强拟合能力 如上图在矩阵分解模型的结构中，用户One-hot向量和物品One-hot向量分居两侧，它们会先通过隐向量层转换成用户和物品隐向量，
深度学习推荐模型-DIN
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-27 875
深度学习推荐模型-DIN 本文参考链接，仅供个人学习： https://github.com/datawhalechina/team-learning-rs/tree/master/DeepRecommendationModel 相关学习书籍推荐：《深度学习推荐系统》王喆 DIN介绍 Deep Interest Network(DIN)是盖坤大神领导的阿里妈妈的精准定向检索及基础算法团队，在2017年6月提出的。 它针对电子商务领域(e-commerce industry)的CTR预估，重点在
基于深度学习的推荐模型--NeuralCF
qq_42586738的博客
02-21 507
介绍一下它，首先也还是回顾cf的回顾 但是这个模型由于结构太简单，计算也太简单， 使得输出层无法对目标进行有效的拟合。 简单来说就是原始向量被隐向量相乘表达时被表达的并不准确。可以看下图。 直观的看， 是隐向量计算相似度的时候存在问题， 因为相似度是夹角衡量的， 夹角关系在降维之后有可能发生了错乱， 但是这间接的说明了单单使用内积不足以可靠的预测评分。 所以我们就把单纯的点积操作给换成了一个mlp GMF 作者指出如果上图中的 Neural CF Layers ...
基于深度学习的推荐模型--PNN
qq_42586738的博客
02-21 485
NacureCF只考虑到了用户和物品两种向量的整体交叉，但是如果说我想让特征交叉变的更加多样那我们要怎么做呢，比如我想让用户的单独属性和物品的单独属性交叉，那么PNN模型就为我们提供了方法，同时PNN模型也丰富了它特征交互的方式，即有线性部分也有乘积部分。 embedding层中是对对每一个离散稀疏的Field特征域进行Embedding操作，让原本的向量乘以embedding矩阵，embedding矩阵参数是通过神经网络的反向传播进行学习。 这个模型的重点就是它的Product层 首先， 这
【推荐系统】浪潮之巅——深度学习推荐系列模型
CSDN 精品推荐
11-30 2352
深度学习推荐模型 模型名称 基本原理 特点 局限性 CSDN链接 AutoRec 基于自编码器，对用户或者物品进行编码，利用自编码器的泛化能力进行推荐 单隐层神经网咯结构简单，可实现快速训练和部署 表达能力较差 Go❤️ Deep Crossing 利用“Embedding层+多隐层+输出层”的经典深度学习框架，预完成特征的自动深度交叉 经典的深度学习推荐模型框架 利用全连接隐层进行特征交叉，针对性不强 Go❤️ NeuralCF 将传统的矩阵分解中用户向量和物品向量的点积操作，换成
[搜广推]深度学习推荐模型（5）——Wide&Deep模型
最新发布
m0_69281817的博客
12-25 1196
Wide & Deep模型由Google在2016年提出。它旨在结合线性模型（Wide部分）的记忆能力和深度学习模型（Deep部分）的泛化能力，以解决推荐系统中的记忆性（Memorization）和泛化性（Generalization）问题。
【深度学习推荐系统】传统推荐模型
qq_52128401的博客
01-28 1089
此系列文章为《深度学习推荐系统》一书的读书笔记。这篇主要介绍了一些传统的推荐模型。
《深度学习推荐系统》学习笔记(2)——传统推荐模型
十八子的博客
12-28 1343
参考： 《深度学习推荐系统》王喆 传统推荐模型 目录 文章目录传统推荐模型目录传统推荐模型优势演化关系协同过滤 CF (1992)矩阵分解 Matrix Factorization (2009)逻辑回归 LRPOLY2 2010FM (Factorization Machine)(2010)FFM (Field-aware FM)(2015)GBDT+LR (2014)LS-PLM (Large Scale Piece-wise Linear Model）(2012使用，2017公开)其他参考文献 传统.
推荐模型之深度学习总结《个人笔记》
田宝
05-19 401
   这里将会主要对深度学习的总结，传统的推荐模型例如矩阵分解MF，逻辑回归LR、FM、LS-PLM等不再赘述，但是这些模型毕竟是推荐算法的鼻祖，其推荐原理值得每个人去研究，或者在之后的工作中可以受到启发；在随着神经网络的出现和应用，深度学习的处理复杂特征的优势和将特征工程模型化能力显著等这些优势逐渐让之前的推荐模型黯然失色，所以本部分的笔记将会主要以深度学习模型展开，如果涉及到传统推荐模型也会进行少量的阐述；    值得一说是2016年其实算是一个深度学习模型走进推荐领域的一个时间开始点，自此随着FNN、
深度学习领域CTR预估模型全面总结
在标题“CTR预估模型原文汇总”中，提到了几种在CTR预估中具有代表性的深度学习模型，它们分别是DeepFM、AFM、DIN、DIEN、FM、FFM、FNN、NFM、Wide&Deep、PNN。接下来，我们逐一探讨这些模型的原理和特点。 **Deep...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

GoAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值