作 者：一元 公眾號：煉丹筆記

昨天看非常多的群友在討論該篇文章，很是好奇，今天就讀了一下，個人感覺本文的co-action操作還是第一次碰到，但該方案在amazu等數(shù)據(jù)集上對比的方案還是較為弱的，所以是否效果比xDeepFM和NFFM等要好，還是一個問好，但是新的表示co-action的方案還是很值得思考的。有任何問題歡迎最后入群交流。好了下面進入正文，Let's Go!

目前基于特征交互的模型可以大致分為三類：

Aggregation based方法:聚合用戶的歷史行為序列來獲得CTR預估的判別表示;

Graph based方法: 將特征作為節(jié)點, 通過有向和無向圖的方式連接, 在這種情況下，特征協(xié)同作用作為信息沿邊緣傳播的邊緣權重;

Combinatorial embedding方法:直接明顯的組合特征的embedding;

基于Aggregation的方法和基于Graph的方法只通過邊的權值對特征的協(xié)同作用進行建模，但是邊緣只用于信息聚合，而不用于信息擴充。組合嵌入方法，另一方面，結合兩個特征的嵌入來建立特征的共同作用，但組合嵌入法的問題在于, 嵌入負責表示學習和協(xié)同作用建模，而表示學習和協(xié)同建模可能會互相沖突最終使我們的效果受限。

本文提出了feature Co-Action Network(CAN)捕獲在輸入階段的特征的co-action并且利用交互和共同信息來對最終模型的效果進行提升。

回顧CTR預測問題的特征Co-action

Co-Action網(wǎng)絡

CAN的整體框架如上,用戶和商品的特征可以被分為兩種形式：

Co-Action網(wǎng)絡的最終結構為：

最終,我們通過最小化cross-entropy:

Co-Action 單元

其中H表示特征的co-action.對于用戶序列特征例如用戶的點擊序列等,co-action單元會被應用到每個商品上,之后再使用一個sum-pool。

多階(Multi-order) Enhancement

此處我們使用下面的方式進行高階的特征組合：

其中C是階的個數(shù), 此處我們使用SeLU作為激活函數(shù)(當C=1的時候),同時我們使用tanh來避免數(shù)值問題。

多層(Multi-level)獨立性

• 第一層：參數(shù)獨立性, 我們的方法將表示學習和co-action建模區(qū)分,參數(shù)的獨立性是CAN的基礎;
• 第二層：組合獨立性,特征的co-action隨著特征組合的增加而線性增長,假設有M個weight-side和N個input-side的嵌入,

• 第三層：oders的獨立性,為了進一步提升在multi-order的輸入co-action建模的便利,我們的方法對不同的oder的商品

在不同的輸入順序下，進一步提高了不同輸入順序下的嵌入靈活性。weight-side嵌入的大小相應地增加了orders倍。注意，由于MLP在不同的順序項中沒有參數(shù)，因此之前的近似值不可行。

實驗

效果比較

• CAN在這兩個數(shù)據(jù)集上都優(yōu)于其他最先進的方法。與基礎模型DIEN相比，其AUC分別提高了1.7%和2.1%。
• 該方法在很大程度上優(yōu)于其他協(xié)同作用方法，證明了本文方法在協(xié)同作用建模中的有效性。
• 值得注意的是，作為純表示學習方法，笛卡爾積方法與PNN、NCF、DeepFM等其他組合嵌入方法相比，可以取得更好的性能，這說明雖然這些組合嵌入方法可以提取一些協(xié)同作用特征信息，他們真的可以通過出色的表現(xiàn)和合作學習嵌入。相比之下，CAN比笛卡爾積和結合嵌入的方法取得了更好的效果，這意味著基于網(wǎng)絡的CAN機制可以同時學習表示能力和協(xié)作能力

解耦研究

• Multi orders：多階數(shù)對性能增益的影響很小，因此在實際應用中，2或3個power項是合適的。
• MLP depth：8層的MLP可以拿到最好的結果;
• 激活函數(shù)：Tanh的激活函數(shù)可以獲得最好的效果;

模型的普遍性和泛化(Universality and Generalization)

Universality: CAN比大多數(shù)方法的效果要好,和cartesian乘積效果差不大;

在真實的商業(yè)場景中，每天都會出現(xiàn)無數(shù)的功能組合，這就要求CTR模型能夠快速響應。推廣對于實際應用具有重要意義。為此，我們從測試集中移除包含現(xiàn)有特征組合的樣本。通過這種方法，我們得到了一個新的測試集，其特征組合對于一個經(jīng)過良好訓練的模型來說是全新的。請注意，我們只要求特征組合為zero-shot快照，而不是所有特性。

• Generalization: CAN還是工作的非常好, 具有非常好的泛化性。

工業(yè)數(shù)據(jù)集上的表現(xiàn)

CAN在工業(yè)數(shù)據(jù)集上A/B Test上得到了非常大的提升。

小結

在笛卡爾產(chǎn)品模型的啟發(fā)下，我們提出了一種新的特征交叉范式：Co-Action network，CAN。通過一個靈活的模塊，co-action單元，可以將表示學習和co-action行為建模分離開來。在co-action單元中引入了多階增強和多層次獨立性，進一步提高了特征協(xié)同建模的能力。實驗表明，該算法的性能優(yōu)于之前的研究成果，對新的特征組合具有更好的泛化能力。

---

http://weixin.qq.com/r/XSjP1zrEzGezrX60931P (二維碼自動識別)

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的推荐系统炼丹笔记：聊一聊特征交叉新方式CAN的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。