推薦系統FM系列文章（三）-- NFM模型

0. 寫在前面

繼上次介紹了DeepFM模型後，本文我們介紹將FM模型思想結合神經網路的又一工作 – NFM（Neural Factorization Machine），一起來看看NFM相比於FM模型及DeepFM模型有哪些不同之處以及優化點。

個人心得：

1. bi-interaction pooling layer，一種element-wise product的特徵交叉層

論文地址：

https://arxiv.org/pdf/1708.05027.pdf

1. 背景

DeepFM將神經網路成功引入了FM模型當中，並取得了較為理想的效果。此外，推薦領域研究學者也提出了NFM模型，同樣是將特徵顯式交叉的思想引入神經網路，與DeepFM相似，NFM模型的結構依然遵循類似的two-part結構，包括shallow-part（淺層）以及dnn-part（深層）。下面詳細介紹NFM中的dnn-part。

2. 模型架構

NFM模型架構如圖所示。上面說到，NFM分為兩部分，分別為線性部分及神經網路部分。線性部分具備樣本記憶的能力，神經網路部分負責複雜的特徵抽取、特徵交叉等工作，具體樣本泛化能力。我們重點來看dnn這一部分。

NFM神經網路部分對輸入樣本的處理方式完全一致，類別特徵onehot後進行embedding，連續特徵直接embedding，兩類特徵的embedding維度保持一致，等價於FM模型二階特徵交叉項中隱向量的維度。每個特徵field的embedding向量經過一層bi-interaction pooling layer後，輸出與embedding向量維度一致的新向量，最後送入全連線層。由此可見，除了剛剛提到的bi-interaction pooling layer以外，NFM其他部分均平平無奇，下面我們就來看看bi-interaction pooling layer作為獨立的一層，到底實現了什麼功能。

3. bi-interaction pooling layer

之前我們說到DeepFM通過特徵embedding的向量兩兩內積實現特徵交叉，重點就在於“特徵交叉”。在NFM中，bi-interaction layer就是那個實現特徵交叉的關鍵一層。bi-interaction pooling layer實現特徵交叉的方式如下式所示。

其中，$x_i$表示特徵取值，$v_i$表示特徵$x_i$對應的embedding向量，$@$運算子號表示element-wise product，即兩個向量對應元素相乘，得到的向量維數與每個特徵域embedding向量維數相同。通過對所有特徵域進行兩兩交叉後，可以得到一系列特徵交叉後的結果，最後將所有結果進行sum pooling操作，得到最終特徵交叉後特徵向量表示。
對比DeepFM的特徵交叉方式，我們可以發現bi-interaction pooling layer：

1. 採用特徵pooling的方式代替DeepFM中二階特徵向量橫向連線操作，得到的結果向量由$n\ast k$維優化為k維，大大減少訓練引數數目。（$n$為特徵域個數，$k$為embedding向量維度）
2. 採用sum pooling的方式綜合二階特徵資訊，可能會有資訊損失

4. 總結

NFM是第一個將bi-interaction layer引入神經網路的工作，在特徵交叉方面提出了相應的優化點，推薦領域中後續很多工作均借鑑了NFM中bi-interaction pooling的思想，從另一方面也說明NFM在推薦演算法發展過程中所起到的代表性。