xDeepFM：结合显性和隐性特征交互的推荐系统

组合特征对于许多商业模型的成功至关重要。在网页规模系统中，由于原始数据的多样性、数量和速度，手动构建这些特征通常成本高昂。基于因子分解的模型通过向量乘积来衡量交互作用，可以自动学习组合特征的模式，并且能够推广到未见过的特征。随着深度神经网络（DNNs）在各个领域的巨大成功，研究人员最近提出了一些基于DNN的因子分解模型，以学习低阶和高阶特征交互作用。尽管从数据中学习任意函数的能力强大，但普通的DNNs隐式地生成特征交互作用，并且是在位级上进行的。本文提出了一种新颖的压缩交互网络（Compressed Interaction Network, CIN），旨在以显式的方式并在向量级上生成特征交互作用。我们展示了CIN与卷积神经网络（CNNs）和递归神经网络（RNNs）具有一些相同的功能。进一步地，我们将CIN与经典的DNN结合为一个统一的模型，并将其命名为极端深度因子分解机（eXtreme Deep Factorization Machine, xDeepFM）。一方面，xDeepFM能够显式地学习某些有界度数的特征交互作用；另一方面，它也能隐式地学习任意低阶和高阶特征交互作用。我们在三个真实世界的数据集上进行了全面实验。结果表明，xDeepFM优于现有最先进的模型。我们已将xDeepFM的源代码发布在\url{https://github.com/Leavingseason/xDeepFM}。