DeepFM: 인자 분해 머신 기반 신경망으로 CTR 예측 수행

사용자 행동 뒤에 숨은 복잡한 특성 상호작용을 학습하는 것은 추천 시스템의 클릭률(CTR)을 최대화하는 데 매우 중요합니다. 그러나 기존 방법들은 저차원 또는 고차원 상호작용에 강한 편향성을 보이거나, 전문적인 특성 공학이 필요하다는 한계가 있습니다. 본 논문에서는 저차원과 고차원 특성 상호작용 모두를 강조하는 엔드투엔드 학습 모델을 도출할 수 있음을 보입니다. 제안된 모델인 DeepFM은 추천을 위한 인자 분해 머신과 특성 학습을 위한 딥러닝의 장점을 새로운 신경망 구조에서 결합합니다. 구글의 최신 Wide & Deep 모델과 비교하여, DeepFM은 원시 특성을 제외하고 특성 공학이 필요하지 않은 공유 입력을 "wide" 부분과 "deep" 부분에 제공합니다. 벤치마크 데이터와 상업 데이터를 사용하여 수행된 포괄적인 실험들을 통해, 기존 CTR 예측 모델들보다 DeepFM의 효과性和效率性을 입증하였습니다.注：在最后一句中，“有效性”和“效率性”分别对应“effectiveness”和“efficiency”，但为了保持韩语的自然表达，这里将“效率性”简化为“효율성”。修正后的翻译：벤치마크 데이터와 상업 데이터를 사용하여 수행된 포괄적인 실험들을 통해, 기존 CTR 예측 모델들보다 DeepFM의 효과성과 효율성을 입증하였습니다.