背景

在CTR/CVR预估任务中，除了FM模型[2] 之外，后起之秀FFM（Field-aware Factorization Machine）模型同样表现亮眼。FFM可以看作是FM的升级版，Yuchi Juan于2016年提出该模型，但其诞生是受启于Rendle在2010年发表的另一个模型PITF [3]（FM也是Rendle在2010年发表的），其论文原文 [1] 中写道：

The idea of FFM originates from PITF proposed for recommender systems with personalized tags.

在各种深度推荐模型出来之前，FM/FFM模型在各大推荐相关的竞赛中大放异彩。今天，我们就来好好梳理一下FFM的原理以及如何将理论转化为实践。

分析

1. FFM公式定义

相较于FM模型，FFM模型引入了域（Field）的概念（该想法来源于PITF [3]），可看做是对特征进行分组。例如，对于性别特征而言，通常有两种取值 \(female\) 、\(male\) 。对值进行one-hot编码之后性别特征会拆分为两个独立的特征 \(x_{female}\) 和 \(x_{male}\) 。显然，这两个特征具有共同的性质：都属于性别。所以可以将这两个特征归在同一个Field下，即有相同的Field编号。不同域的特征之间，往往具有明显的差异性。对比FM中的做法，每个特征有且仅有一个隐向量，在对特征 \(x_i\) 与其他特征进行交叉时，始终使用同一个隐向量 \(V_i\) 。 这种无差别式交叉方式，并没有考虑到不同特征之间的共性（同域）与差异性（异域）。

FFM公式化定义如下：
\[ y = w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{j=i+1}^n\langle V_{i,f_j},V_{j,f_i}\rangle x_ix_j \tag{1} \]
其中 \(f\) 为域（Field）映射函数，\(f_i\) 表示为 \(x_i\) 特征对应的Field编号。

将公式（1）对比FM可以发现，二者之间的差异仅在于二阶交叉对应的隐向量。设数据集中Field的数目为 \(F\) ，那么对于每个特征 \(x_i\) 拥有 \(F\) 个对应的隐向量，分别应用于与不同域特征进行交叉时。设隐向量维度为 \(k\) ，FFM二阶交叉项参数为 \(nkF\) 。

2. 求解

由于引入了Field，公式（1）不能像FM那样进行改写，所以FFM模型进行 推断 时的时间复杂度为 \(O(kn^2)\) 。

为了方便推导各参数的梯度，隐向量表示为 \(V_{i,f_j}=(v_{i,f_j}^1,v_{i,f_j}^3,\cdots,v_{i,f_j}^k)\) 。公式（1）展开：
\[ y = w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{j=i+1}^n\sum_{q=1}^{k}v_{i,f_j}^{q}v_{j,f_i}^{q}x_ix_j \tag{2} \]
当参数为 \(w_0\) 时，\(\frac{\partial{y}}{\partial{w_0}}=1\) 。

当参数为 \(w_i\) 时，\(\frac{\partial{y}}{\partial{w_i}}=x_i\) 。

当参数为 \(v_{i,f_j}^q\) 时，其他参数视为常量，只考虑公式（2）交叉项。由于Field数量以及映射关系 \(f\) 取决于数据集，这种情况参数梯度的数学统一表达式稍微复杂点（但当确定 \(f\) 之后很好计算），所以这里就暂且按下不表。

3. 性能评估

上述小节并未得到统一的参数梯度表达式，但估计模型训练时的时间复杂度，仍需评估更新 \(v_{i,f_j}^q\) 参数的时间复杂度。尽管没有梯度公式，但可以通过夹逼定理来确定该参数的更新时间复杂度。两种极端情况：1）\(F=1\) ；2）\(F=n\) ；参数更新时间复杂度位于二者之间。

1） \(F=1\) 时，所有特征均属于同一个Field，此时FFM退化为FM。可以将 \(f\) 暂时省略，公式（2）可以表示为
\[ \begin{align} y ={} & w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{j=i+1}^n\sum_{q=1}^{k}v_{i}^{q}v_{j}^{q}x_ix_j \notag \\ ={} & w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{q=1}^{k}v_i^q\sum_{j=i+1}^{n}v_{j}^{q}x_ix_j \notag \\ \end{align} \tag{3} \]
有，
\[ \begin{align} \frac{\partial{y}}{\partial{v_{i,f_j}^q}} ={} & \frac{\partial{y}}{\partial{v_{i}^q}} \notag \\ ={} & \sum_{j=i+1}^{n}v_j^qx_ix_j \notag \\ \end{align} \tag{4} \]
所以，更新参数 \(v_{i,f_j}^q\) 所需时间复杂度为 \(O(n)\)。这只是二阶项中 \(nkF\) 个参数中的其中一个，所以更新二阶项参数总时间复杂度为 \(O(kn^2)\) 。

2）\(F=n\) 时，每个特征的Field都不相同。不失一般性，可以设 \(f_i=i\) ，此时公式（2）可以表示为
\[ \begin{align} y ={} & w_0+\sum_{i=1}^nw_ix_i+\sum_{i=1}^{n-1}\sum_{j=i+1}^n\sum_{q=1}^{k}v_{i,j}^{q}v_{j,i}^{q}x_ix_j \notag \\ \end{align} \tag{5} \]
有，
\[ \begin{align} \frac{\partial{y}}{\partial{v_{i,f_j}^q}} ={} & \frac{\partial{y}}{\partial{v_{i,j}^q}} \notag \\ ={} & v_{j,i}^qx_ix_j \notag \\ \end{align} \tag{4} \]
所以，更新参数 \(v_{i,f_j}^q\) 所需时间复杂度为 \(O(1)\)。这只是二阶项中 \(nkF\) 个参数中的其中一个，所以更新二阶项参数总时间复杂度为 \(O(kn^2)\) 。

综上，更新二阶项参数所需时间复杂度为 \(O(kn^2)\) ，因为 \(w_0\) 与 \(w_i\) 参数更新时间复杂度为 \(O(1)\) ，所以FFM训练的时间复杂度为 \(O(kn^2)\) 。

总结：FFM 训练/推断 时间复杂度都为 \(O(kn^2)\) 。

4. 优缺点

优点：

• 在高维稀疏性数据集中表现很好。

• 相对FM模型精度更高，特征刻画更精细。

缺点：

• 时间开销大。FFM时间复杂度为 \(O(kn^2)\) ，FM时间复杂度为 \(O(kn)\) 。
• 参数多容易过拟合，必须设置正则化方法，以及早停的训练策略。

5. 注意事项

FFM对于数据集的要求 [1]：

• FFMs should be effective for data sets that contain categorical features and are transformed to binary features.
• If the transformed set is not sparse enough, FFMs seem to bring less benefit.
• It is more difficult to apply FFMs on numerical data sets.

1）含有类别特征的数据集，且需要对特征进行二值化处理。

2）越是稀疏的数据集表现效果相较于其他模型更优。

3）FFM比较难应用于纯数值类型的数据集。

数据预处理 [4]：

与FM一样，最好先进行特征归一化，再进行样本归一化。

超参数对于模型的影响 [1]：

首先需要注意的是，FFM的隐向量维度远小于FM的隐向量维度，即 \(k_{FFM} \ll k_{FM}\) 。

1）隐向量维度 \(k\) 对于模型的影响不大。

2）正则化系数 \(\lambda\) 如果太大，容易导致模型欠拟合，反之，容易过拟合。

3）在论文中，使用的是Adagrad优化器，全局学习率 \(\eta\) 也是超参数。如果 \(\eta\) 在一个较小的水平，则可以表现最佳。过大，容易导致过拟合。过小，容易欠拟合。

模型训练加速 [1,4]：

1）梯度分布计算；2）自适应学习率；3）多核并行计算；4）SSE3指令并行编程；

实验

与FM一致使用 \(MovieLens 100K\) 数据集，将评分为5的样本置为正样本1，其他置为负样本0，构造一个二分类任务。使用 \(CrossEntropy\) 损失函数，最后使用了 \(Adam\) 优化算法。

论文中使用的 \(logistic loss\) 将样本构造为-1、1的二分类，同时使用的是 \(Adagrad\) 优化算法 [1]

核心代码如下：

class FFM(object):
    def __init__(self, vec_dim, feat_num, field_num, lr, lamda):
        self.vec_dim = vec_dim
        self.feat_num = feat_num
        self.field_num = field_num
        self.lr = lr
        self.lamda = lamda

        self._build_graph()

    def _build_graph(self):
        self.add_input()
        self.inference()
        self.add_metrics()

    def add_input(self):
        self.x = tf.placeholder(tf.float32, shape=[None, self.feat_num], name='input_x')
        self.y = tf.placeholder(tf.float32, shape=[None], name='input_y')

    def inference(self):
        with tf.variable_scope('linear_part'):
            w0 = tf.get_variable(name='bias', shape=[1], dtype=tf.float32)
            self.W = tf.get_variable(name='linear_w', shape=[self.feat_num], dtype=tf.float32)
            self.linear_part = w0 + tf.reduce_sum(tf.multiply(self.x, self.W), axis=1)
        with tf.variable_scope('interaction_part'):
            self.V = tf.get_variable(name='interaction_w', shape=[self.feat_num, self.field_num, self.vec_dim], dtype=tf.float32)
            self.interaction_part = tf.constant(0, dtype=tf.float32)
            for i in range(self.feat_num):
                for j in range(i+1, self.feat_num):
                    self.interaction_part += \
                        tf.reduce_sum(tf.multiply(self.V[i, field_map[j]], self.V[j, field_map[i]])) * \
                        tf.multiply(self.x[:, i], self.x[:, j])

        self.y_logits = self.linear_part + self.interaction_part
        self.y_hat = tf.nn.sigmoid(self.y_logits)

        self.loss = -tf.reduce_mean(self.y*tf.log(self.y_hat+1e-8) + (1-self.y)*tf.log(1-self.y_hat+1e-8))
        self.reg_loss = self.lamda*(tf.reduce_mean(tf.nn.l2_loss(self.W)) + tf.reduce_mean(tf.nn.l2_loss(self.V)))
        self.total_loss = self.loss + self.reg_loss

        self.train_op = tf.train.AdamOptimizer(self.lr).minimize(self.total_loss)

    def add_metrics(self):
        # acc
        self.pred_label = tf.cast(self.y_hat > 0.5, tf.int32)
        self.accuracy = tf.metrics.accuracy(self.y, self.pred_label)
        # auc
        self.auc = tf.metrics.auc(self.y, self.y_hat, num_thresholds=4000)

感想： FFM 训练速度真的很慢。

reference

[1] Juan, Yuchin, et al. "Field-aware factorization machines for CTR prediction." Proceedings of the 10th ACM Conference on Recommender Systems. ACM, 2016.

[2] Rendle, S. (2010, December). Factorization machines. In 2010 IEEE International Conference on Data Mining (pp. 995-1000). IEEE.

[3] Rendle, Steffen, and Lars Schmidt-Thieme. "Pairwise interaction tensor factorization for personalized tag recommendation." Proceedings of the third ACM international conference on Web search and data mining. ACM, 2010.

[4] https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.html

[5] https://www.jianshu.com/p/781cde3d5f3d

[6] https://zhuanlan.zhihu.com/p/38241764

[7] https://zhuanlan.zhihu.com/p/64113429

[8] https://zhuanlan.zhihu.com/p/50692817

[9] https://blog.csdn.net/leadai/article/details/81713800

标签：系列,sum,实践,FM,FFM,复杂度,tf,self
来源： https://www.cnblogs.com/yinzm/p/11712119.html