डीपएफएम: CTR भविष्यवाणी के लिए एक फैक्टराइजेशन-मशीन आधारित न्यूरल नेटवर्क

उपयोगकर्ता व्यवहार के पीछे जटिल विशेषता अंतर्संबंधों को सीखना सिफारिश प्रणाली के लिए CTR को अधिकतम करने में महत्वपूर्ण है। बड़ी प्रगति के बावजूद, मौजूदा विधियां निम्न- या उच्च-आर्डर अंतर्संबंधों के प्रति एक मजबूत पूर्वाग्रह रखती हैं, या विशेषज्ञता विशेषता इंजीनियरिंग की आवश्यकता होती है। इस पेपर में, हम दिखाते हैं कि एक एंड-टू-एंड सीखने का मॉडल निकाला जा सकता है जो निम्न- और उच्च-आर्डर विशेषता अंतर्संबंधों पर जोर देता है। प्रस्तावित मॉडल, डीपएफएम, सिफारिश के लिए फैक्टराइजेशन मशीनों की शक्ति और विशेषता सीखने के लिए गहरे शिक्षण को एक नए न्यूरल नेटवर्क आर्किटेक्चर में जोड़ता है। Google के नवीनतम वाइड  डीप मॉडल की तुलना में, डीपएफएम में अपनी "वाइड" और "डीप" भागों के लिए साझा इनपुट है, कच्ची विशेषताओं के अलावा विशेषता इंजीनियरिंग की कोई आवश्यकता नहीं है। CTR भविष्यवाणी के लिए मौजूदा मॉडलों के मुकाबले, मानक डेटा और व्यावसायिक डेटा दोनों पर डीपएफएम की प्रभावशीलता और दक्षता दिखाने के लिए व्यापक परीक्षण किए गए हैं।