什么是DeepFM算法,如何使用 - 云原生数据库 PolarDB

本文介绍了DeepFM算法相关内容。

简介

DeepFM将深度学习模型（DNN）和因子分解机（FM）模型结合，同时支持学习低阶显式特征组合和高阶隐式特征组合，不需要人工做特征工程，常用于推荐系统或广告系统。

输入通常有以下两类特征：
- 类别特征（Categorical Feature）：字符串类型。如性别（男/女）或物品类型（服饰、玩具、电子等）。
- 数值特征（Numrical Feature）：整型或浮点型。如用户活跃度或商品价格等。
输出通常是0~1之间的浮点数，表示取值为1的概率。可以用于排序，也可以用于二分类。

使用场景

DeepFM通常用于分类或排序场景。在人工构建的特征但不能直接反映结果的场景上效果更好。在各种各样的推荐场景中，低阶特征组合或者高阶的特征组合都会对用户最终的行为产生影响。但人为可能无法明确特征组合，DeepFM可以自动学习这些组合。

例如：在个性化商品推荐场景中，通常需要做点击预估模型。使用用户过往的行为（点击、曝光未点击、购买等）作为训练数据，来预测用户点击或购买的概率。如果用户过往行为较多，且不能直接反映出在未来某时刻的点击或购买情况。DeepFM会对用户行为进行组合，同时将一些稀疏特征转化为高维的稠密特征。

参数说明

下表中的参数为创建模型CREATE MODEL语法中model_parameter参数的取值，您可以根据当前需求选择对应的参数。

参数	说明
metrics	评估模型的指标参数。取值如下： accuracy（默认）：精确度，用于评估分类模型。 binary_crossentropy：交叉熵，用于评估二分类问题。 mse：均方误差，用于评估回归模型。
loss	学习任务及对应的学习目标。取值如下： binary_crossentropy（默认）：交叉熵，用于二分类问题。 mean_squared_error：均方误差，用于回归模型。
optimizer	优化器。取值如下： adam（默认）：吸收了AdaGrad（自适应学习率的梯度下降算法）和动量梯度下降算法的优点，既能适应稀疏梯度（即自然语言和计算机视觉问题），又能缓解梯度震荡的问题。 sgd：随机梯度下降。 rmsprop：对AdaGrad算法进行改进，引入了权重参数，其对应的步长分量累计修改为加权和。
validation_split	交叉验证数据比例。默认值为0.2。
epochs	迭代次数。默认6次。
batch_size	batch长度，batch越短越容易过拟合。默认64。
task	任务类型。取值如下： binary（默认）：分类模型。 regression：回归模型。

示例

创建模型与离线训练

/*polar4ai*/CREATE MODEL airline_deepfm WITH
(model_class = 'deepfm',
x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length',
y_cols='Delay',model_parameter=(epochs=6))
AS (SELECT * FROM db4ai.airlines);

模型评估

/*polar4ai*/SELECT Airline FROM EVALUATE(MODEL airline_deepfm, 
SELECT * FROM db4ai.airlines LIMIT 20) WITH 
(x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length',y_cols='Delay',metrics='acc');

模型预测

/*polar4ai*/SELECT Airline FROM PREDICT(MODEL airline_deepfm,
SELECT * FROM db4ai.airlines limit 20) WITH
(x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length');