DeepFM : A Factorization-Machine based Neural Network for CTR Prediction

 

[2017] DeepFM : A Factorization-Machine based Neural Network for CTR Prediction

Huifeng Guo, Ruiming Tang, Yunming Ye, Zhenguo Li, Xiuqiang He

 

본문의 논문은 링크를 확인해 주세요.

 

 

 

 

 Introduction

 

CTR (Click-Through Rate)

 

 · 추천된 아이템을 유저가 클릭할 확률을 뜻한다.

 · 대부분의 추천 시스템은 이 확률의 최대화를 목표로 한다.

 

 

CTR 예측을 위한 user의 implicit feature interaction

 

예시)

 · 유저들의 식사 시간(시간)에 음식 배달 앱(앱 종류)을 자주 다운로드 한다.

   → CTR 신호 : 시간과 앱 종류 사이의 order-2 interaction

 · 남자(성별) 아이들(나이)이 슈팅게임 어플(앱 종류)과 RPG 게임 어플(앱 종류)을 좋아한다.

   → CTR 신호 : 성별, 나이, 앱 종류 사이의 order-3 interaction

 

 · 양질의 추천을 위해 low interaction ~ high interaction이 모두 중요하게 고려된다.

 

 

Key challenge point

 

 · 기저귀를 구매하는 사람은 맥주를 함께 구매한다. (order-2 interaction)

   → 전문가도 알아내기 힘든 부분

   → CTR을 증가시키기 위해 ML을 사용하여 feature 간의 interaction을 포착할 수 있어야 한다.

 

출처 : https://lsjsj92.tistory.com/636

 

 

 

 

 DeepFM

 

 

• Dataset 설정

 - n개의 instances를 가진 $(x,y)$ training set

 - $x$ : m개의 fields를 가짐

     → categorical fields (gender, location etc.)

       ≫ one-hot 으로 표현

    → continuous fields (age etc.)

       ≫ 그 값 자체나 discretization을 하고 one-hot

 - $y$ : 0과 1의 값을 가짐

    → 1은 clicked the item

 

 즉, $x = [x_{field_1}, x_{field_2}, ... , x_{field_j}, ... , x_{field_m}]$의 $d$차원 벡터인 $(x,y)$의 표현이 된다.

 $\hat{y} = CTR$_$model(x)$ : 클릭할 확률 예측

 

 

• objective

 low 및 high order feature interaction을 배우는 것으로, FM component 와 Deep component 2가지로 나뉜다. 이 둘은 같은 input을 공유한다.

 feature i에 대하여, scalar $w_i$ 는 1차원 중요도를 측정하며, latent vector $V_i$는 다른 features 간의 interaction을 측정한다. $V_i$는 FM에 들어가서 2차원을 모델링, deep component에서는 고차원 interaction 모델링을 하게 된다.

 

$\hat{y} = sigmoid(y_{FM} + Y_{DNN})$

 

 - $\hat{y}$는 0~1의 값을 가진다.

 - $y_{FM}$ : FM  component의 output, $y_{DNN}$ : deep component의 output

 

 

FM

 

 FM에 대한 간략한 설명을 정리한 부분으로, 아래를 참고하면 된다.

 

https://subeen-lab.tistory.com/108

FM (Factorization Machine)

 

 

Deep Component

 

 

 

 위 단계는 feed-forward neural network로서 high-order interaction을 학습하기 위한 구조이다. CTR 예측을 위한 데이터는 매우 sparse한 categorical 특성과 continuous한 특성이 섞여있다. 그러므로 deep component는 모든 특성의 저차원 embedding을 신경망의 input 으로 활용한다. 

 

 

 embedding layer에서의 포인트는 두 가지이다. 

 

 1. 각각의 다른 길이의 특성 벡터를 동일한 크기의 임의의 embedding 벡터로 표현할 수 있다.

 2. FM component에서 order-k(여기서 예시는 k=2) interaction을 계산하기 위한 latent feature 벡터 $V$가 deep component에서는 input features를 embedding 벡터로 만들기 위한 embedding layer의 weight 역할을 한다는 것이다. 

 그러면 embedding layer의 output은 다음과 같이 나타난다.

 

$a^{(0)} = [e_1, e_2, ... ,e_m] , e_i $: i번째 필드의 embedding

$a^{(l+1)} = \sigma(W^{(l)}a^{(l)} + b^{(l)})$

 

 - $\sigma$ : activation function

 - $a^{(l)}, b^{(l)}, W^{(l)}$은 각각 $l$번째 output, bias, weight를  뜻한다. 

 

$y_{DNN} = \sigma(W^{|H|+1} · a^H + b^{|H|+1}) , |H| $: hidden layer의 수

 

 Wide$Deep과 비교했을 때도 두 개의 component가 동일한 embedding을 공유하는 것이다. embedding을 공유함으로써 생기는 이점은,

 

 1. raw features의 저차원과 고차원을 동시에 학습할 수 있다.

 2. 별도의 전문적인 feature engineering을 필요로 하지 않는다. 

 

 

다른 neural network와의 비교

 

 

 

 Experiments

 

Efficiency

 

 

 

performance

 

 

 

 

Summary

 

 1. Wide-Deep 과 FM의 장점을 합침

 · 기존의 모델들의 단점을 극복하고 장점을 결합 

 · FM Component와 Deep Component 구조를 가지고 있다.

 

 2. DeepFM

 · CTR (Clik-Through Rate) 예측을 위한 모델

 · low 및 high-order interaction을 고려하여 성능을 올려준다.

 · 두 components 사이에 embedding을 공유하여 부가적인 feature engineering이 필요하지 않다.

 · pre-training이 필요하지 않다.