摘要
基于因子分解的方法已被广泛提出，用于利用二阶甚至高阶交叉特征以提升预测模型的性能。这类方法通常在预设的最大阶数范围内枚举所有可能的交叉特征，随后通过模型训练识别出有效的特征交互。然而，这种方法存在两个主要缺陷：其一，需在高阶交叉特征的表达能力与计算成本之间进行权衡，导致预测性能难以达到最优；其二，枚举所有交叉特征（包括无关特征）可能引入噪声特征组合，进而降低模型性能。为此，本文提出一种新型模型——自适应因子分解网络（Adaptive Factorization Network, AFN），该模型能够从数据中自适应地学习任意阶次的交叉特征。AFN的核心在于引入一个对数变换层，将特征组合中每个特征的幂次转换为待学习的系数。在四个真实数据集上的实验结果表明，AFN在预测性能上显著优于现有最先进方法。