典型文献
增强型高阶注意力因子分解机点击率预测模型
文献摘要：
特征交互的建模对于推荐系统中预测用户的点击率至关重要.设计了增强型高阶注意力因子分解机模型EHAFM(enhanced high-order attentive factorization machine),其主要由Embedding层、显式特征交互层、输出层构成.在每个显式特征交互层中,通过聚合其他特征的表示来更新特征的表示,并针对无用特征交互对预测产生干扰的问题,提出了增强型元素级注意力机制,利用投影矩阵拓展特征表示空间,以增强注意力矩阵的学习能力.通过融合多个增强型元素级注意力头的信息,以解决模型泛化能力不足问题.通过堆叠显式特征交互层可以将特征表示更新到任意高阶,将高阶特征交互部分与一阶线性部分结合进行点击率预测.EHAFM模型在Criteo、Movielens-1M两个数据集上进行实验,结果表明相较基准模型在两个数据集上分别有0.21％和0.92％的AUC提升.
文献关键词：
深度学习;显式特征交互;高阶因子分解机;注意力机制
中图分类号：
作者姓名：
陈育康;龙慧云;吴云;林建
作者机构：
贵州大学 计算机科学与技术学院,贵阳 550025
文献出处：
引用格式：
[1]陈育康;龙慧云;吴云;林建-.增强型高阶注意力因子分解机点击率预测模型)[J].计算机工程与应用,2022(24):158-165
A类：
EHAFM,显式特征交互,高阶因子分解机
B类：
增强型,点击率预测,推荐系统,enhanced,high,order,attentive,factorization,machine,Embedding,出层,更新特征,无用,测产,注意力机制,投影矩阵,特征表示,力矩,模型泛化,泛化能力,不足问题,堆叠,到任,行点,Criteo,Movielens,1M
AB值：
0.276654
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
