推荐系统与深度学习(3)：[WWW'18]认识一下带权重的FFM模型——FwFM

以下为个人对文章的理解记录，如有错误，欢迎指正~~
如果觉得有帮助或者写的还行，点个赞呗~~~

引用：Pan J, Xu J, Ruiz A L, et al. Field-weighted factorization machines for click-through rate prediction in display advertising[C]//Proceedings of the 2018 World Wide Web Conference. 2018: 1349-1357.

2010年Rendle发表的《Factorization Machines》已经成为推荐系统中最经典的模型之一，在深度学习兴起之后，有许多工作在FM的基础上进行，例如FFM、AFM、NFM、DeepFM、xDeepFM等。最近看的这篇FwFMs也是在FM、FFM的基础上做的工作，主要的思想：特征交互的重要性不同，因此要赋予不同的特征交互不同的权重。

一、相关工作简介

多领域分类数据

多领域分类数据的特性对建立有效的机器学习模型进行CTR预测提出了几个独特的挑战:

1. 特征交互很普遍，需要特别建模
2. 一个Field中的特征和另一个Field中的特征的交互方式通常不相同
3. 需要考虑潜在的高模型复杂性

LR模型：

LR模型

Poly2模型：

Poly2模型

FM模型：

FM模型

FFM模型：

FFM

以上是文中提及的模型，不过基于FM的模型除了DeepFM等用到DNN的模型之外，其他的例如AFM、NFM也可以拿出来讨论，尤其是AFM，在思路上，和本文模型挺像的。

二、不同Field Pairs交互项之间的强弱

文中通过Mutual information和Heat map可视化特征交互和结果之间的关系。

从而提出了如何通过有效的机器学习模型来捕捉这种交互的强弱。

Mutual Information计算

三、FwFMs模型

1、对交互项的改进

为了实现上述的想法，捕捉交互之间的权重，提出了以下模型：

FwFMs模型公式

可以看到，主要的改动在于为交互项添加了权重：

为交互项添加了权重

通过模型学习

。可以看到模型表达还是很简洁的。要是小伙伴实现过FM或者FFM模型，稍加改变就可以得到这个模型。而且从复杂度分析，比FFM简洁很多。

2、模型的复杂度分析：

3、改进Linear Terms

在之前，普遍用二元特征来表示feature i，然后学习权重。然后本文中通过embedding vectors来表示feature i，用来表示每一个特征。
然后，为每一个feature学习一个线性权重, 此时线性部分变成了：

通过这种方式模型的参数量是

。因为m是比较大的，所以又提出了为每个Field学习一个线性权重向量

。此时参数量为

，n<

前者用FwFMs_FeLV（FwFMs with feature-wise linear vectors）表示，后者用FwFMs_FiLV（FwFMs with field-wise linear vectors）表示。

四、实验结果与可视化分析

文中对比使用的数据集：

Criteo和oath数据集

（什么都别说了，我是最好的）

1、和FM、FFM等模型的对比：

2、不同线性部分模型对比

3、特征交互强弱可视化

这一部分还是挺有意思，应该是第一次在研究FM的模型中看到将Field interaction 的强弱可视化。而且始终围绕自己的Key Idea。

计算了皮尔逊相关系数。

五、个人小结

第一次看到对特征交互强弱的直观展示，虽然不是特别难，但是其他文章没有做呀。实验对比也是常规的，和SOTAs对比，和自己对比，消融分析等；我超过了SOTAs，我的这个结构有必要。
在阅读中有部分开始不是很理解，在FM中，通过代替Poly2中的，后者已经表示权重了，所以在FwFMs中再提出一个权重又是表示什么？个人的理解是表示的是特征相乘，因为都是1，无法表示有用的信息，所以表示真正的特征交互指，然后用表示权重。在Linear Term部分也可以这么理解，就说得通了。
其次，在实验部分，还是觉得，AFM模型的想法和本文是相同的。看一下AFM的计算模型：

可以看出来除了实现方式不同，思想是相同的，而且AFM在参数方面也是占优的, 2017年的文章，应该要拿出来对比。

关于文中提到的FM、FFM、AFM、NFM、DeepFM都还没有写，先看新的，旧的再补。