AI上推荐 之 FiBiNET模型(特征重要性选择与双线性特征交叉)

1. 写在前面

从五月份的xdeepFM到现在，已经有一个多月的时间没有与推荐模型相关的paper了，说好的"小步快跑"呢？ 来到公司实习之后， 更一直抽不出时间来更新这个系列。不过，最近这段时间， 由于开始接触实际场景下的推荐小项目， 而实习生的话一般要从模型上手，所以这一周终于又有了时间开始玩推荐模型，并进行相应的魔改。 当然，来实习之后， 从前辈们的以及周围伙伴的交流中悟出了一个真理，在推荐系统甚至其他领域(CV,NLP)等，模型都只是工具而已，遇到问题解决问题的方法和策略才是王道， 那么我为啥还要坚持通过写博客的方式记录读过的模型论文，整理模型原理呢？ 这个问题之前也没有仔细想过，之前整理模型的原因，是为了梳理推荐系统模型发展脉络， 方便入门推荐系统。 可能有人会说， 新模型paper每年那么多， 怎么可能一个个的读然后尝试？ 感觉意义不大呀。emmm， 首先， 我现在的想法是肯定不会把每个模型都追一遍整理， 其次，就是通过我前面的一些模型积累发现， 很多模型的思路和原理给我带来的价值比模型本身要大很多(不妨跳去局部，从全局去把握模型的发展脉络和思路)，并且很多东西，都是万变不离其宗， 各种组件之间的重复调用， 对于现在的我来说，整理模型并不是我最终的目的， 通过阅读paper，学习大佬们针对实际场景中遇到个问题，提出的解决方案才是我最想学的东西。 并且，阅读完了一篇paper之后，如果不整理下的话，心理会很不踏实，没法检验自己的掌握程度。

所以我后面整理模型，也不是乱整理， 一般是较为干净清爽的工业文章，读起来利落实在，还能解决自己的问题。 基于两个原则：

1. 从现在所面临的问题场景出发，然后读相关的论文，整理能解决我自身问题的模型思路和一些启发，这样的模型一般都是比较经典且工业常用的，这样还能通过看一些其他文章，把大佬们有价值的尝试思路也整理过来，比如今天整理的这篇文章。
2. 经典且工业上常用，比如谈到多任务， 最先想到的可能是MMOE，谈到多兴趣， 可能会想到MIND等，这些模型在公司里都是些非常实用的模型， 结构也不是很复杂。

所以整理模型，一是爱好所在，另一个是也能把知识进行融会贯通下，检验自己的掌握水平， 这一块还得继续走着， 下面开始

标签：AI,self,FiBiNET,特征,双线性,embedding,交互,模型
来源： https://blog.csdn.net/wuzhongqiang/article/details/118439590