FAT-DeepFFM: Field Attentive Deep Field-aware Factorization Machine FAT-DeepFFM: 필드 주의력 깊은 필드 인식 팩터리제이션 머신

클릭률(CTR) 추정은 개인화된 광고 및 추천 시스템에서 기본적인 작업입니다. 최근 몇 년 동안 컴퓨터 비전(CV)과 자연어 처리(NLP) 분야에서 딥 러닝 기반 모델과 어텐션 메커니즘이 다양한 작업에서 성공을 거두었습니다. 딥 CTR 모델에 어텐션 메커니즘을 결합하는 방법은 양쪽의 장점을 통합할 수 있으므로 유망한 방향으로 여겨집니다. 일부 CTR 모델인 어텐셔널 팩터리제이션 머신(AFM)은 2차 상호작용 특징의 가중치를 모델링하기 위해 제안되었지만, 우리는 명시적인 특징 상호작용 절차 이전에 특징 중요도를 평가하는 것이 CTR 예측 작업에서도 중요하다고 주장합니다. 이는 많은 입력 특징을 가진 작업에서 모델이 정보가 풍부한 특징을 선택적으로 강조하고 덜 유용한 특징을 억제하도록 학습할 수 있기 때문입니다.본 논문에서는 딥 필드-아웨어 팩터리제이션 머신(DeepFFM)과 우리들이 제안한 스퀴즈-엑시테이션 네트워크(SENet)의 업그레이드 버전인 컴포즈-엑시테이션 네트워크(CENet) 필드 어텐션 메커니즘을 결합하여 새로운 신경망 CTR 모델인 필드 어텐티브 딥 필드-아웨어 팩터리제이션 머신(FAT-DeepFFM)을 제안합니다. 두 개의 실제 데이터셋에서 광범위한 실험을 수행한 결과, FAT-DeepFFM이 최상의 성능을 보여주며 최신 방법론들보다 다양한 개선점을 보였습니다. 또한, 두 가지 종류의 어텐션 메커니즘(명시적 특징 상호작용 전의 어텐션 vs. 명시적 특징 상호작용 후의 어텐션)을 비교하여, 전자의 방법이 후자보다 크게 우수함을 입증하였습니다.