xDeepFM: 推薦システムにおける明示的および暗黙的な特徴量の相互作用の組み合わせ

組合せ特徴量は、多くの商業モデルの成功にとって不可欠です。ウェブスケールシステムにおける原始データの多様性、量、速度を考えると、これらの特徴量を手動で作成することは通常高コストを伴います。ベクトル積に基づいて相互作用を測定する因子分解モデルは、組合せ特徴量のパターンを自動的に学習し、未見の特徴量にも一般化することができます。深層ニューラルネットワーク（DNN）が様々な分野で大きな成功を収めたことを受けて、最近研究者たちは低次および高次の特徴量相互作用を学習するためのDNNベースの因子分解モデルをいくつか提案しています。データから任意の関数を学習する強力な能力を持つ一方で、単純なDNNはビットレベルで暗黙的に特徴量相互作用を生成します。本論文では、明示的な方法でベクトルレベルでの特徴量相互作用を生成することを目指した新しい圧縮相互作用ネットワーク（Compressed Interaction Network: CIN）を提案します。CINは畳み込みニューラルネットワーク（CNN）や再帰型ニューラルネットワーク（RNN）と一部機能が共通していることを示します。さらに、CINと古典的なDNNを統一したモデルに結合し、この新しいモデルをeXtreme Deep Factorization Machine (xDeepFM)と命名しました。xDeepFMは一方で特定の次数制限のある特徴量相互作用を明示的に学習でき、他方で任意の低次および高次の特徴量相互作用を暗黙的に学習できます。私たちは3つの実世界データセットを使用して包括的な実験を行いました。その結果、xDeepFMが最先端のモデルよりも優れていることが示されました。xDeepFMのソースコードは\url{https://github.com/Leavingseason/xDeepFM}にて公開されています。