IJCAIMay, 2018

离散因子分解机用于基于特征的快速推荐

PDF
TL;DR本论文提出了一种名为离散因子机（Discrete Factorization Machine, DFM）的泛化特征推荐模型，它将每个特征嵌入的实数模型参数（例如 float32）变成二进制代码（例如布尔值），从而支持高效的存储和快速的用户 - 物品评分计算。与最先进的二值化推荐模型相比，DFM 一直表现出色，并且与其实数版本（FM）相比表现出非常有竞争力的性能，以展示量化损失的最小化。
发现论文，激发创造
  • 大规模推荐系统中用于偏好获取的变分因子机

    本文提出了一种用于大规模数据的变分 Factorization Machines 算法，通过标准的 Mini-Batch 随机梯度下降法实现优化，从而为预测结果提供可靠的置信度，并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能，同时提出了在偏好调查技术等活动策略中的应用。

    Dec, 2022

  • 持续冷启动的在线物品推荐增量分解机

    本文提出了基于增量因式分解机的在线项目推荐方法，能够有效解决用户和项目动态变化的推荐问题，具有较高的可行性和性能表现，是进一步发展生产推荐系统的有前途的基础。

    Jul, 2016

  • $FM^2$: 推荐系统中的场 - 矩阵分解机

    该研究提出了一种新的方法，名为 Field-matrixed Factorization Machines（FmFM，或 FM^2），用于有效和高效地建模数据中的字段信息，在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量，并通过缓存中间向量进一步优化模型，实验结果显示该方法可以优于 FFM 和 DNN 模型。

    Feb, 2021

  • fastFM: 因子分解机的库

    本文介绍因子分解机及其在机器学习、推荐系统、处理稀疏高维特征等领域的应用。作者提供了一个易用的因子分解机实现，支持回归、分类和排序等任务，为这一模型在广泛的应用领域提供了便利和潜力。

    May, 2015

  • 基于神经网络的稀疏预测分析的因子分解机

    本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

    Aug, 2017

  • 基于因子分解机的神经网络用于 CTR 预测的 DeepFM

    本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

    Mar, 2017

  • 基于特征的矩阵分解

    本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

    Sep, 2011

  • 矩阵分解的高效混合维度嵌入

    本文提出了两种采用混合维度嵌入的矩阵分解模型，可以采用交替最小二乘法以大规模并行的方式进行优化，并针对用户和项目的流行度偏斜实现了是用稀疏，混合维度或共享嵌入降低参数数量和过度拟合的研究。

    May, 2022

  • 基函数编码因子分解机中的数值特征以提高准确性

    本文介绍了如何通过将数值型特征编码为自己选择函数的一组函数值向量的方法，将数值特征合理地纳入线性因子机中，其中建议使用具有强大逼近能力的函数如 B-Spline，以提高实时推荐系统的性能。

    May, 2023

  • 现实世界在线广告系统中的领域感知因子分解机

    介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

    Jan, 2017