知识卡片
AFM注意力加权交叉特征
AFM是NFM的延续,针对的是NFM把交叉特征一视同仁相加的问题:加和池化抹掉了不同交叉特征对结果影响程度的差异。AFM引入注意力机制,假设不同交叉特征重要性不同,为每个交叉特征学习一个注意力得分再做加权求和。为避免稀疏数据下单个权重参数难收敛,它用一个小型注意力网络,即单全连接层加softmax,在两两交叉层与池化层之间生成得分,并随主模型一起反向传播学习。例如预测男性用户是否买键盘时,男且买过鼠标显然比男且30岁更该被关注。它属于从模型结构角度做的通用改进,与具体业务场景无关。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第3章 浪潮之巅——深度学习在推荐系统中的应用 · 查看原书依据
问题的关键在于加和池化(Sum Pooling)操作,它相当于“一视同仁”地对待所有交叉特征,不考虑不同特征对结果的影响程度,事实上消解了大量有价值的信息。
参考来源
- 位置:《深度学习推荐系统》第3章 浪潮之巅——深度学习在推荐系统中的应用(源文件:extracted/深度学习推荐系统/_epub-src/text/part0007_split_008.html)
- 结论依据:原文指出加和池化消解有价值信息,并说明AFM用注意力网络为每个交叉特征生成权重。
- 原始内容:问题的关键在于加和池化(Sum Pooling)操作,它相当于“一视同仁”地对待所有交叉特征,不考虑不同特征对结果的影响程度,事实上消解了大量有价值的信息。