摘要
因子分解机（Factorization Machine, FM）是一种通过有效建模特征交互而广泛使用的监督学习方法。尽管FM及其许多深度学习变体已成功应用，但对所有特征交互一视同仁可能会降低性能。例如，无用特征的交互可能引入噪声；一个特征在与其他不同特征交互时的重要性也可能有所不同。在这项工作中，我们提出了一种名为\emph{交互感知因子分解机}（Interaction-aware Factorization Machine, IFM）的新模型，通过引入\emph{交互感知机制}（Interaction-Aware Mechanism, IAM），该机制包括\emph{特征层面}和\emph{字段层面}，以在两个层面上学习灵活的交互作用。特征层面通过注意力网络学习特征交互的重要性，而字段层面则将特征交互效应作为特征交互向量与相应字段交互原型之间的参数化相似度来学习。IFM引入了更多的结构化控制，并以分层的方式学习特征交互的重要性，从而在特征层面和字段层面上提供了更大的调整空间。此外，我们提供了一个更为通用的架构，并提出了\emph{交互感知神经网络}（Interaction-aware Neural Network, INN）和DeepIFM来捕捉更高阶的交互作用。为了进一步提高IFM的性能和效率，开发了一种采样方案，根据字段层面的重要性选择交互作用。来自两个知名数据集的实验结果表明，所提出的模型优于现有最先进方法。