DeepFM: 因子分解機械を基にしたCTR予測のニューラルネットワーク

ユーザーの行動背後の複雑な特徴相互作用を学習することは、レコメンデーションシステムにおけるCTR（クリックスルー率）最大化において極めて重要です。既存の手法は大きな進歩を遂げていますが、低次または高次の相互作用に強いバイアスを持つ傾向があり、または専門的な特徴量エンジニアリングが必要となっています。本論文では、低次および高次の特徴相互作用の両方を重視するエンドツーエンド学習モデルを導出することが可能であることを示します。提案されるモデルであるDeepFMは、新しいニューラルネットワークアーキテクチャにおいて、推薦のための因子分解機と特徴学習のための深層学習の力を組み合わせています。Googleの最新のWide & Deepモデルと比較して、DeepFMは「ワイド」部分と「ディープ」部分に共有入力を持ち、生データ以外の特徴量エンジニアリングを必要としません。ベンチマークデータおよび商業データを使用した包括的な実験により、DeepFMが既存のCTR予測モデルに対して効果的かつ効率的であることが示されています。