xDeepFM: دمج التفاعلات الصريحة والضمنية للسمات في أنظمة التوصية

الميزات التوافقية ضرورية لنجاح العديد من النماذج التجارية. عادةً ما يترتب على صياغة هذه الميزات يدويًا تكاليف عالية بسبب تنوع البيانات الأولية وحجمها وسرعتها في الأنظمة ذات الحجم الويب. يمكن للنماذج القائمة على التحليل العامل أن تتعلم أنماط الميزات التوافقية بشكل تلقائي وتعمم إلى الميزات غير المرئية أيضًا، وذلك من خلال قياس التفاعلات بدلالة حاصل الضرب المتجهي. مع النجاح الكبير الذي حققته الشبكات العصبية العميقة (DNNs) في مختلف المجالات، اقترح الباحثون مؤخرًا عدة نماذج للتحليل العامل تعتمد على الشبكات العصبية العميقة لتعلم التفاعلات بين الميزات من الدرجة المنخفضة والمرتفعة. رغم قدرتها القوية على تعلم أي دالة من البيانات، فإن الشبكات العصبية العميقة البسيطة تولد التفاعلات بين الميزات بشكل ضمني وعلى مستوى البت.في هذا البحث، نقترح شبكة تفاعل مضغوطة (CIN) جديدة، والتي تستهدف إنتاج التفاعلات بين الميزات بطريقة صريحة وعلى مستوى المتجه. نوضح أن الشبكة CIN تشترك في بعض الوظائف مع الشبكات العصبية المتلافهة (CNNs) والشبكات العصبية المتكررة (RNNs). نقوم بعد ذلك بدمج شبكة CIN ونموذج DNN كلاسيكي في نموذج موحد واحد، وأطلقنا على هذا النموذج الجديد آلة التحليل العامل العميق المتطرفة (xDeepFM). من ناحية، يمكن للنموذج xDeepFM أن يتعلم بعض التفاعلات بين الميزات ذات الدرجة المقيدة بشكل صريح؛ ومن ناحية أخرى، يمكنه تعلم أي تفاعلات بين الميزات من الدرجة المنخفضة والمرتفعة بشكل ضمني. أجرينا مجموعة شاملة من التجارب على ثلاثة مجموعات بيانات حقيقية. أظهرت نتائجنا أن النموذج xDeepFM يتفوق على أفضل النماذج الحالية. لقد أطلقنا شفرة المصدر الخاصة بالنموذج xDeepFM في الرابط \url{https://github.com/Leavingseason/xDeepFM}.