Algoritmo DeepFM - PolarDB: Central de Documentação do Alibaba Cloud

O Deep Factorization Machine (DeepFM) é um algoritmo de machine learning integrado ao PolarDB for MySQL que captura automaticamente interações de recursos para tarefas de classificação e ranking, sem necessidade de engenharia de recursos manual.

O DeepFM combina uma rede neural profunda (DNN) com uma máquina de fatoração (FM). A DNN captura interações de recursos de alta ordem, enquanto a FM captura as de baixa ordem. Juntas, produzem uma pontuação em ponto flutuante entre 0 e 1, que representa a probabilidade de o rótulo alvo ser igual a 1. Essa saída é adequada para classificação binária e ranking.

Conceitos principais

O DeepFM aceita dois tipos de recursos de entrada:

Recurso categórico: valor do tipo string que representa uma categoria discreta, como gênero (male, female) ou categoria de produto (clothing, electronics).
Recurso numérico: valor inteiro ou em ponto flutuante que representa uma quantidade mensurável, como contagem de atividade do usuário ou preço do produto.

Casos de uso

O DeepFM é eficaz quando os recursos não preveem resultados diretamente, mas suas combinações sim. Ele funciona bem em dois cenários de negócios comuns:

Previsão de taxa de cliques (CTR): prevê se um usuário clicará em um anúncio ou recomendação de produto com base em dados históricos de comportamento (cliques, não cliques, compras). O DeepFM converte recursos esparsos de comportamento do usuário em representações densas que capturam padrões de interação entre os recursos.

Previsão de intenção de compra: classifica produtos pela probabilidade de compra em um feed de recomendação personalizado. O DeepFM lida com interações complexas e não óbvias entre recursos de perfil do usuário e atributos do produto que a engenharia de recursos manual não detectaria.

Parâmetros

Configure os parâmetros abaixo na cláusula model_parameter da instrução CREATE MODEL.

Todos os parâmetros possuem valores padrão adequados para a maioria das tarefas de classificação binária. Comece com os padrões e ajuste epochs, batch_size e optimizer caso o desempenho do modelo precise de melhorias.

Parâmetro	Padrão	Valores válidos	Descrição
`task`	`binary`	`binary`, `regression`	Tipo de tarefa. Use `binary` para previsão de cliques e ranking. Use `regression` para previsão de valores contínuos.
`metrics`	`accuracy`	`accuracy`, `binary_crossentropy`, `mse`	Métrica de avaliação. `accuracy` mede a acurácia da classificação. `binary_crossentropy` calcula a perda de entropia cruzada para classificação binária. `mse` indica o erro quadrático médio para regressão.
`loss`	`binary_crossentropy`	`binary_crossentropy`, `mean_squared_error`	Função de perda. Use `binary_crossentropy` para classificação binária e `mean_squared_error` para regressão.
`optimizer`	`adam`	`adam`, `sgd`, `rmsdrop`	Algoritmo otimizador. O `adam` adapta a taxa de aprendizado por parâmetro e lida bem com gradientes esparsos, sendo recomendado para a maioria dos casos. O `sgd` utiliza descida de gradiente estocástica. O `rmsdrop` aprimora o AdaGrad ao usar uma soma ponderada de gradientes ao quadrado.
`epochs`	`6`	Qualquer número inteiro positivo	Quantidade de iterações de treinamento sobre todo o conjunto de dados. Aumente este valor se o modelo apresentar underfitting.
`batch_size`	`64`	Qualquer número inteiro positivo	Número de amostras por atualização de gradiente. Um batch size menor tende a causar overfitting.
`validation_split`	`0.2`	Um float entre 0 e 1	Fração dos dados de treinamento reservada para validação.

Exemplos

Os exemplos abaixo usam o conjunto de dados db4ai.airlines para prever atrasos de voos. Todas as três instruções usam a dica /*polar4ai*/ para rotear a consulta ao mecanismo de IA do PolarDB.

Treinar um modelo

/*polar4ai*/CREATE MODEL airline_deepfm WITH
(model_class = 'deepfm',
x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length',
y_cols = 'Delay',
model_parameter = (epochs = 6))
AS (SELECT * FROM db4ai.airlines);

Avaliar o modelo

Execute EVALUATE em uma amostra reservada para medir a acurácia em relação aos rótulos conhecidos.

/*polar4ai*/SELECT Airline FROM EVALUATE(MODEL airline_deepfm,
SELECT * FROM db4ai.airlines LIMIT 20) WITH
(x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length',
y_cols = 'Delay',
metrics = 'acc');

A consulta retorna uma linha por registro avaliado. Cada linha inclui a coluna selecionada (Airline) e o resultado da avaliação para esse registro.

Executar previsões

/*polar4ai*/SELECT Airline FROM PREDICT(MODEL airline_deepfm,
SELECT * FROM db4ai.airlines LIMIT 20) WITH
(x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length');

A consulta retorna uma linha por registro de entrada. Cada linha contém a coluna selecionada (Airline) e uma pontuação de probabilidade prevista entre 0 e 1.