CFM: Convolutional Factorization Machines for Context-Aware Recommendation
摘要
因子分解机是一种基于内积的感知推荐系统，通过内积建模二阶交互特征。但是，它仍然不足以捕获高阶非线性信号。最近很多工作都用神经网络增强FM性能。这些方案假设嵌入层彼此独立，并以隐式的方式建模高阶交互。这篇论文，提出卷积因子分解机模型解决上述问题。CFM通过外积建模二阶交互，产生图像类数据，捕捉嵌入层之间的相关性。然后，所有生成图像数据被堆叠起来，形成交互矩阵集合，在此基础上，应用卷积学习高阶交互信号。此外，论文还利用自我关注机制执行特征(pooling)池化,减少时间复杂度，论文在三个数据集进行了实验证明了方法有显著改进。
介绍
描述用户行为数据时，除了用户/项目ID，还提供了丰富的上下文信息。包括但不限于，人口描述，项目属性，时间/地点信息，历史记录和最近交易信息。通用的方法是将他们转化为高维特征向量，在特征输入上建立模型。
不同于图像和音频中自然发现的连续实值特征，感知推荐系统输入大多是离散的，就导致高维且稀疏的特征向量。
现有特征建模分为两类：
1手动构造交叉特征。2自动学习特征交互，将特征学习为嵌入，将特征交互表示为嵌入之上的函数。
论文为了减少构造交叉特征的工作量，提出CMF自动学习特征交互。专业来说，特征嵌入首先被送入self-attention池化（pooling）层，可以大大降低计算量，削弱了噪音特征的影响，然后，用外积建模二阶交互模型，生成了一个二维矩阵set.和内积相比，更容易捕获嵌入层之间相关性，将生成的矩阵堆叠起来，得到一个三维矩阵---编码了所有二阶交互。为了显式学习高阶信号。论文在三维矩阵上使用卷积，并叠加多层卷积神经网络。
论文利用self-attention对特征池化操作，降低计算量和时间复杂度。
Convolutional Factorization Machine
原始FM模型仅仅以线性方式，通过内积建模二阶交互。CMF：
最后一项是核心交互组件，下面会介绍如何学习。
输入和嵌入层
输入感知向量x,包括用户ID,历史项目multi-hot features，然后，每个特征，通过嵌入层映射到D维密集向量表示 。
Self-Attention Pooling Layer
对特征进行池化（Pooling）操作对每一个field学习单个嵌入。以往的池化操作包括最大池化和平均池化，但是这样不能有效捕获不同特征重要性。故论文提出注意力机制（通过MLP映射）
将隐藏层映射到注意力得分。
的重要性通过归一化注意力得分函数实现：
上式计算的，就作为的池化核函数（核函数代表特征重要度）：
Interaction Cube
池化层之后，论文使用交互矩阵集（3D立方）表示特征交互，和由外积进行交互。
总结：
1MLP多层感知机获取重要度矩阵（作为池化基进行第一步池化）
2对特征矩阵进行池化，获得（多通道矩阵）
3和外积（特征交互），作为卷积操作。
多维数据交互的优点：
1外积更能捕获维度相关性
2显式方案模拟高阶交互-立方体不同层之间交互。代表层，后的下标，代表层内元素。
3.卷积核是多维矩阵，故能将层数降维。
卷积操作：
1.卷积（3维卷积核）
2.偏差，激活函数RELU
3.第一层 卷积核形状：[2,2,14] 步长[2,2,1] （对应宽高深）
后序卷积核和步长 形状：[2,2,2]
三维卷积输出的是一维向量，然后采用全连接层进行映射：
损失函数：
Top-k推荐
是对应的负采样样本，是激活函数。
首先采集 正样本，（通过mini-batch），包括用户上下文感知和项目属性。然后对每一个特定的用户，随机采集负样本。然后结合负样本特征建立负样本和用户的交互。最后，正的交互和负的交互都fed to训练，得到损失。
Data
|
Dataset |
#users |
#items |
#transactions |
#fields |
|
Frappe |
957 |
4,082 |
96,203 |
10 |
|
Last.fm |
1,000 |
20,301 |
214,574 |
4 |
|
MovieLens |
6,040 |
3,665 |
939,809 |
4 |
Experiments
RQ1 Does CFM model outperform state-of-the-art methods
for CARS top-k recommendation?
RQ2 How do the special designs
of CFM (i.e., interaction
cube and 3DCNN) affect the model performance?
RQ3 What’s the effect of the
attention-based feature pooling?
Experimental Settings
Frappe
app推荐数据
数据包含96203app使用日志，每个日志包含10个上下文特征域，包含用户ID,项目ID,时间，其他信息。
Last.fm
音乐推荐数据集
提取了最新的1000用户听歌记录
用户上下文描述为：用户ID，用户90分钟内听的音乐ID,项目属性包括，音乐ID,艺术家ID(歌手)
MovieLens
评价指标
leave-one-out
对于last.fm和movielens数据，用户最新交互取出做测试，剩下的做训练集。对frappe，因为没时间戳信息，故任意选择一个交互做测试，推荐性能指标HR、NDCG(它将更高的分数分配给排名靠前的项目)
参数设置
性能对比
Interaction Cube的性能评价（特征外积）
为证明立方有效性，论文将交互三维矩阵转化为二维矩阵/或在深度方向执行最大池化操作，结果不如CMF好。
CFM>平铺>最大池化>FM 证明了CNN外积学习的有效性
Study of Feature Pooling（注意力部分）
自我关注机制执行池化。替换为最大池化和均值池化进行对比。注意力池会为不同特征分配不同的重要性。保留了丰富的特征信息，削弱了噪音的影响。
CMF和没有特征池的模型比较。发现：特征池可以减少训练时间，带来好的推荐质量。
总结
新的上下文感知推荐算法，结合了FM和CNN,关键设计是，一个基于外积的交互立方体。
原文：https://www.cnblogs.com/liheyong/p/12111512.html