Neural Factorization Machines(NFM)

1. 概述

Neural Factorization Machines(NFM)[1]是在2017年提出的用于求解CTR问题的算法模型,在Wide & Deep模型被提出后,相继出现了一些改进的算法模型,如DeepFM和DCN可以看成是对于Wide & Deep模型中Wide部分的改进,而此处的NFM模型则是可以看作是对Deep部分的改进。从模型的名字来看,NFM包含了两个部分,第一为Neural,这部分与神经网络相关,第二为Factorization Machines,这部分与FM相关。对于FM模型,文章中提到了可以从深度学习网络结构的角度来看待,此时FM就可以看作是由单层LR和二阶特征交叉组成的Wide & Deep模型,与Google提出的Wide & Deep模型的不同之处就是Deep部分是二阶隐向量相乘。从这个角度上来看,NFM是在FM的基础上利用NN模型代替FM中的Deep部分,而这个NN与Wide & Deep中的Deep的不同是NFM中的Deep中包含了Bi-Interaction的层,用于对特征做二阶交叉运算。综上,NFM的优化点主要为:

  1. 在深度网络中引入Bi-Interaction做进一步的特征交叉。
  2. 对比FM,深度网络能够学习更高阶的非线形的特征交叉。

2. 算法原理

2.1. NFM模型的网络结构

完整的NFM的网络结构如下图所示:

在这里插入图片描述

对于NFM模型,假设输入的稀疏经one-hot编码后的向量为xRn\mathbf{x}\in \mathbb{R}^n,NFM模型的输出为:

y^NFM(x)=w0+i=1nwixi+f(x)\hat{y}_{NFM}\left ( \mathbf{x} \right )=w_0+\sum_{i=1}^{n}w_ix_i+f\left ( \mathbf{x} \right )

其中,w0+i=1nwixiw_0+\sum_{i=1}^{n}w_ix_i如上图中的linear regression,f(x)f\left ( \mathbf{x} \right )为上图中的右半部分。对于FM算法,其表达式为:

y^FM(x)=w0+i=1nwixi+i=1n1j=i+1nvi,vjxixj\hat{y}_{FM}\left ( \mathbf{x} \right )=w_0+\sum_{i=1}^{n}w_ix_i+\sum_{i=1}^{n-1}\sum_{j=i+1}^{n}\left \langle v_i,v_j \right \rangle x_ix_j

从两者的数学表达式可以看出,FM模型是NFM的特殊形式,即满足:f(x)=i=1n1j=i+1nvi,vjxixjf\left ( \mathbf{x} \right )=\sum_{i=1}^{n-1}\sum_{j=i+1}^{n}\left \langle v_i,v_j \right \rangle x_ix_j。我们发现如何构造f(x)f\left ( \mathbf{x} \right )式NFM模型中的关键部分。

2.2. NFM模型中的特征交叉

NFM模型中的特征交叉f(x)f\left ( \mathbf{x} \right )的结构如下图所示:

在这里插入图片描述

如上图,NFM中特征交叉部分f(x)f\left ( \mathbf{x} \right )是一个深度神经网络模型,在特征交叉部分f(x)f\left ( \mathbf{x} \right )的网络中,主要包括Embedding层,Bi-Interaction层,隐含层以及预测层。

2.2.1. Embedding层

Embedding层的作用是将稀疏的one-hot特征转换成稠密的向量表示,这个操作是深度神经网络的必备操作方法。假设转换后的embeding向量为:

Vx={x1v1,,xnvn}\mathbf{V}_x=\left\{x_1\mathbf{v}_1,\cdots ,x_n\mathbf{v}_n \right\}

2.2.2. Bi-Interaction层

对稀疏特征处理后就可以进入到深度学习模型的计算中,在NFM中,首先进入到Bi-Interaction层中,Bi-Interaction Pooling的主要作用是对Embedding后的特征学习特征交叉,其具体格式为:

fBI(Vx)=i=1n1j=i+1nxivixjvjf_{BI}\left ( \mathbf{V}_x \right )=\sum_{i=1}^{n-1}\sum_{j=i+1}^{n}x_i\mathbf{v}_i\odot x_j\mathbf{v}_j

其中,\odot表示的是两个向量的元素乘积,即(vivj)k=vikvjk\left ( \mathbf{v}_i\odot \mathbf{v}_j \right )_k=v_{ik}v_{jk}。可以看到Bi-Interaction的输出为两个向量的交叉。

2.2.3. Hidden层

在Bi-Interaction层之上是堆叠了一系列的隐含层,主要的目的是学习更高阶的特征交叉,用数学的表述为:

z1=σ1(W1fBI(Vx)+b1)z2=σ2(W2z1+b2)zL=σL(WLzL1+bL)\begin{matrix} \mathbf{z}_1=\sigma _1\left ( \mathbf{W}_1f_{BI}\left ( \mathbf{V}_x \right )+\mathbf{b}_1 \right )\\ \mathbf{z}_2=\sigma _2\left ( \mathbf{W}_2\mathbf{z}_1+\mathbf{b}_2 \right )\\ \cdots \cdots \\ \mathbf{z}_L=\sigma _L\left ( \mathbf{W}_L\mathbf{z}_{L-1}+\mathbf{b}_L \right ) \end{matrix}

其中,LL表示的是隐含层的层数,WL\mathbf{W}_LbL\mathbf{b}_LσL\sigma _L分别为第LL的网络权重,偏置和激活函数。

2.2.4. Prediction层

经过多个隐含层后,得到隐含层的输出zL\mathbf{z}_L,最终将隐含层的输出送入到预测层中,得到Deep侧的输出结果,即为:

f(x)=hTzLf\left ( \mathbf{x} \right )=\mathbf{h}^T\mathbf{z}_L

其中,h\mathbf{h}为输出层的权重,最终NFM模型的输出结果为:

y^NFM(x)=w0+i=1nwixi+hTσL(WL(σ1(W1fBI(Vx)+b1))+bL)\hat{y}_{NFM}\left ( \mathbf{x} \right )=w_0+\sum_{i=1}^{n}w_ix_i+\mathbf{h}^T\sigma _L\left ( \mathbf{W}_L\left ( \cdots \sigma _1\left ( \mathbf{W}_1f_{BI}\left ( \mathbf{V}_x \right )+\mathbf{b}_1 \right )\cdots \right )+\mathbf{b}_L \right )

其中,Θ={w0,{wi,vi},h,{Wl,bl}}\Theta =\left \{ w_0,\left \{ w_i,\mathbf{v}_i \right \},\mathbf{h},\left \{ \mathbf{W}_l,\mathbf{b}_l \right \} \right \}为模型的参数。

3. 总结

通过上述的拆分会发现NFM与FM以及Wide & Deep模型之间有着很大的相似性,不同在于NFM中不光包含了FM中的二阶特征,同时利用DNN的特性构造更高阶非线性的交叉,总体而言,主要还是集中在特征交叉的工作上。

参考文献

[1] He X , Chua T S . Neural Factorization Machines for Sparse Predictive Analytics[J]. ACM SIGIR FORUM, 2017, 51(cd):355-364.