华为云首页用户手册

推荐系统 RES-排序策略-离线排序模型:DeepFM

推荐系统 RES-排序策略-离线排序模型:DeepFM

时间：2024-09-07 16:00:55

推荐系统 RES

DeepFM

DeepFM，结合了FM和深度神经网络对于特征表达的学习，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。

表2 深度网络因子分解机参数说明
参数名称	说明
名称	自定义策略名称，由中文、英文、数字、下划线、空格或者中划线组成，并且不能以空格开始和结束，长度为1~64个字符。
描述	对于该策略的描述信息。
最大迭代轮数	模型训练的最大迭代轮数，默认50。
提前终止训练轮数	在测试集上连续N轮迭代AUC无提高时，迭代停止，训练提前结束，默认5。
初始化方法	模型参数的初始化方法。 normal：正态分布平均值：默认0 标准差：0.001 uniform ：均匀分布最小值：默认-0.001，均匀分布的最小值，必须小于最大值。最大值：默认0.001，均匀分布的最大值，必须大于最小值。 xavier：初始化初始值为均值为0，方差为 Var(wi)=1/nin 的均匀分布（高斯或者随机分布）。其中 nin 是该神经元的输入数目。
优化器类型	grad：梯度下降算法学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。 adam：自适应矩估计算法结合AdaGrad和 RMS Prop两种优化算法的优点，对梯度的一阶矩估计（First Moment Estimation，即梯度的均值）和二阶矩估计（Second Moment Estimation，即梯度的未中心化的方差）进行综合考虑，依次计算出更新步长。学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。数值稳定常量：为保证数值稳定而设置的一个微小常量。默认1e-8。 adagrad：自适应梯度算法对每个不同的参数调整不同的学习率，对频繁变化的参数以更小的步长进行更新，而稀疏的参数以更大的步长进行更新。学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.001。初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。 ftrl：Follow The Regularized Leader 适用于处理超大规模数据的,含大量稀疏特征的在线学习的常见优化算法。学习率：优化算法的参数，决定优化器在最优方向上前进步长的参数。默认0.1。初始梯度累加和：梯度累加和用来调整学习步长。默认0.1。 L1正则项系数：叠加在模型的1范数之上，用来对模型值进行限制防止过拟合。默认0。 L2正则项系数：叠加在模型的2范数之上，用来对模型值进行限制防止过拟合。默认0。
L2正则项系数	叠加在模型的2范数之上，用来对模型值进行限制防止过拟合。默认0。
正则损失计算方式	正则损失计算当前有两种方式。 full：指针对全量参数计算。 batch：则仅针对当前批数据中出现的参数计算说明： batch模式计算速度快于full模式。
隐向量长度	分解后的表示特征的向量的长度。默认10。
神经网络结构	神经网络的层数与每一层的神经元节点个数。默认400,400,400。
激活函数	神经网络中的激活函数，将一个（或一组）神经元的值映射为一个输出值。 relu tanh sigmoid
神经元值保留概率	神经网络前向传播过程中以该概率保留神经元的值。默认0.8。
重新训练	对第一次训练无影响，仅影响任务重跑。 “是”：清空上一轮的模型结果后重新开始训练。 “否”：导入上一轮的训练结果继续训练。适用于欠拟合的情况。
批量大小	一次训练所选取的样本数。
训练数据集切分数量	将整个数据集切分成多个子数据集，依次训练，每个epoch训练一个子数据集。

上一篇：推荐系统 RES-排序策略-离线排序模型:AutoGroup

下一篇：推荐系统 RES-排序策略-离线排序模型:AutoGroup

新客秒杀 2核2G 3M L实例

68元/年

普惠上云领千元上云礼券

立即前往

企业专享 X实例 4核8G 5M

888元/年

热门域名 1元随心购

1元/年起

推荐系统 RES-排序策略-离线排序模型:DeepFM

意见反馈

0/200

提交成功！非常感谢您的反馈，我们会继续努力做到更好反馈提交失败！请稍后重试！

推荐文章

解决方案
相关专题