DeepFM : un réseau de neurones basé sur des machines à factorisation pour la prédiction du CTR

Apprendre des interactions complexes des caractéristiques derrière les comportements des utilisateurs est essentiel pour maximiser le CTR des systèmes de recommandation. Malgré les avancées significatives, les méthodes existantes semblent avoir un fort biais envers les interactions de faible ou de haute ordre, ou nécessitent une ingénierie des caractéristiques d'expertise. Dans cet article, nous montrons qu'il est possible de dériver un modèle d'apprentissage de bout en bout qui met l'accent à la fois sur les interactions de caractéristiques de faible et de haute ordre. Le modèle proposé, DeepFM, combine la puissance des machines à factorisation pour la recommandation et l'apprentissage profond pour l'apprentissage des caractéristiques dans une nouvelle architecture de réseau de neurones. Par rapport au dernier modèle Wide & Deep de Google, DeepFM a une entrée partagée pour ses parties «large» et «profonde», sans besoin d'ingénierie des caractéristiques au-delà des caractéristiques brutes. Des expériences complètes sont menées pour démontrer l'efficacité et l'efficience de DeepFM par rapport aux modèles existants pour la prédiction du CTR, à la fois sur des données de référence et des données commerciales.