摘要
点击率（Click-Through Rate, CTR）预测是推荐系统与在线广告等众多在线应用中的关键任务。该任务旨在基于高维输入特征，预测用户产生点击行为的概率。为避免繁琐的手工特征工程，CTR预测的核心问题在于实现输入特征的自动交互建模。因子分解机（Factorization Machine, FM）是一种有效建模二阶特征交互的方法。近年来，FM已被扩展用于建模高阶特征交互，例如xDeepFM和高阶因子分解机（Higher-Order Factorization Machine, HOFM）。然而，这些方法普遍存在计算复杂度高或依赖迭代运算的问题，导致时间和空间开销较大。为解决上述问题，本文基于牛顿恒等式（Newton's identities），将任意阶因子分解机表示为幂和（power sums）的形式。基于此，我们提出一种新型交互模型——交互机（Interaction Machine, IM）。IM是高阶FM的一种高效且精确的实现方式，其时间复杂度随特征交互阶数及特征域数量呈线性增长。借助IM，可极为简洁地实现任意阶特征交互。此外，我们将IM与深度神经网络相结合，构建出DeepIM模型，该模型在保持与xDeepFM相当甚至更优性能的同时，显著提升了计算效率。我们在两个真实世界数据集上进行了实验，结果充分验证了IM与DeepIM在预测效果与计算效率方面的优越性。