目錄

1、背景

2、引入

FM挑戰

DNN的局限

3、組件介紹

FM

Deep

4、代碼解析

---

?

1、背景

之前說了wide&deepGoogle于?2016 年在DLRS上發表了一篇文章：2016-Wide & Deep Learning for Recommender Systems，模型的核心思想是結合線性模型的記憶能力（memorization）和 DNN 模型的泛化能力（generalization），在訓練過程中同時優化 2 個模型的參數，從而達到整體模型的預測能力最優。

但是由于Wide & Deep的wide部分是一個LR模型，因此仍然需要大量的人工特征工程工作。但是Wide & Deep模型給整個學術界和工業界提供了一種框架思想?；谶@種思想，華為諾葉方舟團隊結合FM的特征交叉功能，將Wide & Deep的LR部分替換成FM來避免人工工程，提出了Deep FM模型。

整體的結構如圖

?

2、引入

?

特征組合的挑戰

對于一個基于CTR預估的推薦系統，最重要的是學習到用戶點擊行為背后隱含的特征組合。在不同的推薦場景中，低階組合特征或者高階組合特征可能都會對最終的CTR產生影響。

之前介紹的因子分解機(Factorization Machines, FM)通過對于每一維特征的隱變量內積來提取特征組合。最終的結果也非常好。但是，雖然理論上來講FM可以對高階特征組合進行建模，但實際上因為計算復雜度的原因一般都只用到了二階特征組合。

那么對于高階的特征組合來說，我們很自然的想法，通過多層的神經網絡即DNN去解決。

?

DNN的局限

下面的圖片來自于張俊林教授在AI大會上所使用的PPT。

對于離散特征的處理，我們使用的是將特征轉換成為one-hot的形式，但是將One-hot類型的特征輸入到DNN中，會導致網絡參數太多：

如何解決這個問題呢，類似于FFM中的思想，將特征分為不同的field：

再加兩層的全鏈接層，讓Dense Vector進行組合，那么高階特征的組合就出來了

但是低階和高階特征組合隱含地體現在隱藏層中，如果我們希望把低階特征組合單獨建模，然后融合高階特征組合。

即將DNN與FM進行一個合理的融合：

二者的融合總的來說有兩種形式，一是串行結構，二是并行結構

DeepFM，就是并行結構中的一種典型代表。

如下：

?

3、組件介紹

DeepFM包含兩部分：神經網絡部分與因子分解機部分，分別負責低階特征的提取和高階特征的提取。這兩部分共享同樣的輸入。DeepFM的預測結果可以寫為：

FM

FM部分是一個因子分解機。關于因子分解機可以參閱文章[Rendle, 2010] Steffen Rendle. Factorization machines. In ICDM, 2010.。因為引入了隱變量的原因，對于幾乎不出現或者很少出現的隱變量，FM也可以很好的學習。

FM的輸出公式為：

Deep

深度部分是一個前饋神經網絡。與圖像或者語音這類輸入不同，圖像語音的輸入一般是連續而且密集的，然而用于CTR的輸入一般是及其稀疏的。因此需要重新設計網絡結構。具體實現中為，在第一層隱含層之前，引入一個嵌入層來完成將輸入向量壓縮到低維稠密向量。

嵌入層(embedding layer)的結構如上圖所示。當前網絡結構有兩個有趣的特性，1）盡管不同field的輸入長度不同，但是embedding之后向量的長度均為K。2)在FM里得到的隱變量Vik現在作為了嵌入層網絡的權重。

這里的第二點如何理解呢，假設我們的k=5，首先，對于輸入的一條記錄，同一個field 只有一個位置是1，那么在由輸入得到dense vector的過程中，輸入層只有一個神經元起作用，得到的dense vector其實就是輸入層到embedding層該神經元相連的五條線的權重，即vi1，vi2，vi3，vi4，vi5。這五個值組合起來就是我們在FM中所提到的Vi。在FM部分和DNN部分，這一塊是共享權重的，對同一個特征來說，得到的Vi是相同的。

?

4、代碼解析

?

整個模型是由FM + Deep組成，所以代碼也是按照這個邏輯來做的

FM包括兩個部分，一個是線性部分，另一個是Embedding

可以根據公示進行得到

Y_liner = tf.matmul(x, W) + bembeddings = tf.multiply(v, Input_x) # None * V * X summed_features_emb = tf.reduce_sum(embeddings, 1) # sum(v*x) summed_features_emb_square = tf.square(summed_features_emb) # (sum(v*x))^2# square_sum part squared_features_emb = tf.square(embeddings) # (v*x)^2 squared_sum_features_emb = tf.reduce_sum(squared_features_emb, 1) # sum((v*x)^2)Y_pair = 0.5 * tf.subtract(summed_features_emb_square, squared_sum_features_emb) # 0.5*((sum(v*x))^2 - sum((v*x)^2))

deep部分，就是將Embedding part的輸出再經過兩層全鏈接

input_size = n_features*fv output_size = dnn_layer[0] deep_inputs = tf.reshape(embeddings, shape=[-1, input_size]) # None * (F*K) print("%s: %s" % ("lay1, deep_inputs", deep_inputs))# 全連接計算 deep_outputs = udf_full_connect(deep_inputs, input_size, output_size, dnn_active_fuc[0])for i in range(len(dnn_layer) - 1):with tf.variable_scope("deep_layer%d"%(i+2), reuse=tf.AUTO_REUSE):print("lay%s, input_size: %s, output_size: %s, active_fuc: %s" % (i+2, dnn_layer[i], dnn_layer[i+1], dnn_active_fuc[i+1]))# 全連接計算deep_outputs = udf_full_connect(deep_outputs, dnn_layer[i], dnn_layer[i+1], dnn_active_fuc[i+1])print("lay%s, deep_outputs: %s" % (i+2, deep_outputs))# 輸出層計算 print("lay_last, input_size: %s, output_size: %s, active_fuc: %s" % (dnn_layer[-1], 2, dnn_active_fuc[-1])) with tf.variable_scope("deep_layer%d"%(len(dnn_layer)+1), reuse=tf.AUTO_REUSE):deep_outputs = udf_full_connect(deep_outputs, dnn_layer[-1],2, dnn_active_fuc[-1])

最后把兩部分輸入進行結合

concat_input = tf.concat([Y_liner, Y_pair, Y_deep], axis=1) Y_sum = tf.reduce_sum(concat_input, 1) print("Y_sum",Y_sum) score=tf.nn.sigmoid(Y_sum,name='score') After 900 steps, loss_value is: 0.522057 After 900 trainging steps ,validation accuarcy is 77.1932% Testing Accuracyis 77.4728%

?

完整代碼可以到GitHub進行查看

https://github.com/Andyszl/Recommendation_algorithm/tree/tensorflow

總結

以上是生活随笔為你收集整理的DeepFM原理及tensorflow代码实战的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。