原文地址:DeepFM: A Factorization-Machine based Neural Network for CTR Prediction

摘要

    学习在用户行为之后复杂的特征交互对于最大化推荐系统中的CTR(click-through-rate)是至关重要的。尽管已经取得了巨大的成功,现有的方法对于低阶或者高阶的特征交互有着很强的偏差(bias),或者需要专业的特征工程经验。在本文中，我们展示了一个可以同时强调低阶和高阶特征交互的end-to-end的学习模型。本文提出了一个名为DeepFM的新的神经网络架构，结合了推荐中强大的因子机(factorization machines)以及用于学习特征的深度学习。与最近Google提出的Wide & Deep model相比，DeepFM在”wide”和”deep”部分有一个共享的输入，除了原始的特征之外不需要额外的特征工程。本文同时在标准数据以及商业数据上，进行了丰富的实验以展示DeepFM的有效性与高效性，同时与现有的CTR预估模型进行了对比。

1.介绍

    在推荐系统中CTR预估是非常重要的部分，具体的任务就是预测对于推荐商品用户点击的概率。在很多推荐系统中，目标是最大化点击的次数，推荐给用户的商品也可以按照预测的CTR进行排序;在其他的应用场景中比如在线广告，提高收益也是非常重要的，因此排序的策略可以调整为所有候选商品的CTRxbid,其中”bid”是用户如果点击了商品系统获得的收益。无论是哪种情况，很明显关键就是正确地估计CTR。
    学习用户点击行为背后的隐含的特征交互对于CTR预估是非常重要的。通过我们对主流App市场的调查，我们发现人们经常在用餐时间下载外卖类App,这暗示了App类别和时间的二阶特征交互可以作为CTR的一个重要signal。