- 原论文题目：《xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems》

- 原论文地址： xDeepFM

- 论文整理: 论文整理

下面对本论文提出的模型进行了复现。

模型架构 = FM + CIN + DNN

1.数据准备

• 训练集和测试集需为.csv文件
• 支持数值型特征映射为embedding,也支持数值型特征直接作为DNN输入
• 支持多值离散特征的处理,可自行配置为sum or mean,分隔符请用"|"
• cat特征需要自行先用labelEncoder转换一下

具体配置在Config.py文件中，也可结合ex_data中的例子作为参考。

转换完成后的训练数据示例:

1,18:1,30:1,0:0.25,2:0.8125,4:0.0,6:0.0,8:0.0,10:0.006630292147247738,12:0.8125,14:0.25,16:0.5625,

2.模型训练

• 先在Config中指定单值离散，多值离散，连续型特征
• 默认激活函数"relu",默认optimizer"Adagrad"
• 默认DNN网络结构 [128,64,32]
• 默认CIN卷积核维度 [10,10,10] ,输出维度 [1]
• 默认使用 DNN + CIN + FM，可在Config中配置
• 默认建立vocabulary的最低词频 10

3.模型实验

- Batch_size : 4096 , epochs: 2000

- 指标为"logloss"

- 数据为 “2018**高校大数据挑战赛” 初赛数据

模型基于DeepFM加入了CIN component (压缩交互网络)，对原有的结构进行了vector-wise和边界明确的交互填充

• 优点：表达能力更强，可以发掘出vector-wise的交互特征，精度更高
• 缺点：训练速度变得很缓慢

yyq 2018年07月21日13:47:42