Attentional Factorization Machines

AFM

1. 论文

Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks

创新：基于Attention的Pooling层，与一般的Attention机制不同，具体可以看原文笔记

原文笔记： https://mp.weixin.qq.com/s/hPCS9Dw2vT2pwdWwPo0EJg

2. 模型结构

3. 实验数据集

采用Criteo数据集进行测试。数据集的处理见utils文件，主要分为：

1. 考虑到Criteo文件过大，因此可以通过read_part和sample_sum读取部分数据进行测试；
2. 对缺失数据进行填充；
3. 对密集数据I1-I13进行归一化处理，对稀疏数据C1-C26进行重新编码LabelEncoder；
4. 整理得到feature_columns；
5. 切分数据集，最后返回feature_columns, (train_X, train_y), (test_X, test_y)；

4. 模型API

class AFM(keras.Model):
    def __init__(self, feature_columns, mode, activation='relu', embed_reg=1e-4):
        """
        AFM 
        :param feature_columns: A list. dense_feature_columns and sparse_feature_columns
        :param mode:A string. 'max'(MAX Pooling) or 'avg'(Average Pooling) or 'att'(Attention)
        :param activation: A string. Activation function of attention.
        :param embed_reg: A scalar. the regularizer of embedding
        """

5. 实验超参数

• file：Criteo文件；
• read_part：是否读取部分数据，True；
• sample_num：读取部分时，样本数量，5000000；
• test_size：测试集比例，0.2；
• embed_dim：Embedding维度，8；
• mode：Pooling的类型, att；
• learning_rate：学习率，0.001；
• batch_size：4096；
• epoch：10；

6. 实验结果

由于AFM过慢，所以采用Criteo数据集中前10w条数据，最终测试集的结果为：

• max：AUC：0.736344；
• avg：AUC：0.597510；---训练20epoch
• att：AUC：0.734991；