本論文は、因子分解機械(FM)とグラフニューラルネットワーク(GNN)を組み合わせた新しいモデルGraphFMを提案している。
まず、論文では、FMはより高次の特徴量相互作用をモデル化するのが難しく、一方でGNNは隣接ノードの特徴が類似しているという前提が成り立たない場合があるという問題点を指摘している。
そこで提案されたGraphFMでは、特徴量をノード、特徴量相互作用をエッジとするグラフ構造を利用する。各層では、まず有益な特徴量相互作用を選択し(エッジの選択)、次にそれらの相互作用を注意機構を用いて集約して特徴表現を更新する。これにより、高次の特徴量相互作用を明示的かつ効率的にモデル化できる。
実験では、CTR予測やレコメンデーションのベンチマークデータセットで提案手法の有効性が示されている。特に、特徴量相互作用の可視化により、モデルの解釈可能性も確認されている。
A otro idioma
del contenido fuente
arxiv.org
Ideas clave extraídas de
by Shu Wu,Zekun... a las arxiv.org 04-02-2024
https://arxiv.org/pdf/2105.11866.pdfConsultas más profundas