#Paper Reading# xDeepFM:Combining Explicit and Implicit Feature Interactions for Recommender Systems

论文题目: xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems
论文地址: https://dl.acm.org/citation.cfm?id=3220023
论文发表于: KDD 2018（CCF A类会议）

论文大体内容：
本文主要介绍了DeepFM模型的变种——xDeepFM（eXtreme Deep Factorization Machine）模型，该模型主要用CIN（Compressed Interaction Network）替换掉DeepFM中的FM，能够学习出高阶、低阶的显式、隐式特征，并在3个真实数据集上取得start-of-art的结果；

1. 本文主要工作点：
①提出xDeepFM模型，同时学习显式和隐式特征；
②提出CIN去学习高阶的显式特征；
③在3个real-world数据集上取得start-of-art的效果；

2. 本文论证了CN（Cross Network）模型不能很好的学习出高阶特征，所以提出了CIN（Compressed Interaction Network）模型。CIN将CN的bit-wise改为vector-wise，并且设计CIN模型主要考虑下面三个方面：
①使用vector-wise；
②能学习到显式高阶特征；
③复杂度不能太高；

3. CIN模型每一层的矩阵递推公式如下，然后该公式可以用CNN思路来理解，就是上面的先计算中间矩阵Z，再对Z做feature map，然后sum pooling，最后得到一个p∈R^(Σ Hi)的向量，可以直接用这个vector来做LR；

4. xDeepFM的整体结构如下，其实xDeepFM=CIN+DNN，CIN模型是本文的主要创新点。CIN学习显式的高阶特征，DNN学习隐式的高阶特征，Linear学习低阶特征；

5. 从上面xDeepFM的结构图可以看出，xDeepFM —— (CIN的深度和feature map设置为1) ——> DeepFM ——(去掉DNN)——> FM ；

实验
6. Dataset

7. Baseline
①LR；
②FM；
③DNN；
④PNN；
⑤WDL；
⑥DCN；
⑦DeepFM；

8. 评测方法
①AUC；
②Logloss

9. 结果
CIN模型效果

xDeepFM模型效果

 

以上均为个人见解，因本人水平有限，如发现有所错漏，敬请指出，谢谢！