Resumen

El modelado de interacciones entre características es de crucial importancia para predecir la tasa de clics (CTR) en sistemas de recomendación industriales. Debido a su gran rendimiento y eficiencia, la máquina de factorización (FM) ha sido un enfoque popular para aprender interacciones entre características. Recientemente, se han propuesto varias variantes de FM para mejorar su rendimiento, y se ha demostrado que la información de campo juega un papel importante. Sin embargo, la longitud de las características en un campo suele ser pequeña; observamos que cuando hay varias características no nulas dentro de un campo, la interacción entre campos no es suficiente para representar la interacción entre características de diferentes campos debido al problema de la corta longitud de las características. En este trabajo, proponemos un nuevo modelo de CTR neuronal llamado DeepFIM al introducir la Máquina de Interacción Consciente del Campo (FIM), que proporciona una estructura en capas para describir la interacción de características intra-campo e inter-campo, para resolver el problema de expresión corta causado por la corta longitud de las características en el campo. Los experimentos muestran que nuestro modelo logra resultados comparables e incluso materialmente mejores que los métodos de vanguardia.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Modelado de interacciones de características; Tasa de clics; Máquina de factorización; Información de campo; Longitud de características; DeepFIM
• Keywords:Modeling feature interactions; Click-through rate; Factorization machine; Field information; Feature-length; DeepFIM