Bu konuda DeepFM algoritması açıklanmaktadır.
Genel Bakış
DeepFM, hem düşük dereceli açık özellik etkileşimlerini hem de yüksek dereceli örtük özellik etkileşimlerini yakalamak amacıyla derin bir sinir ağını (DNN) bir faktörizasyon makinesi (FM) ile birleştirir. DeepFM manuel özellik mühendisliği gerektirmez ve genellikle öneri sistemleri ile reklam sistemlerinde kullanılır.
-
Girdi özellikleri genellikle iki kategoriye ayrılır:
Kategorik özellikler: Cinsiyet (erkek veya kadın) ya da ürün kategorisi (giyim, oyuncak, elektronik) gibi dize değerleri.
Sayısal özellikler: Kullanıcı etkinlik düzeyi veya ürün fiyatı gibi tamsayı ya da kayan noktalı değerler.
Çıktı genellikle 0 ile 1 arasında bir kayan noktalı sayıdır ve hedef değerin 1 olma olasılığını temsil eder. Bu çıktıyı sıralama veya ikili sınıflandırma için kullanabilirsiniz.
Kullanım Senaryoları
DeepFM, sınıflandırma veya sıralama senaryolarında yaygın olarak kullanılır. Özellikle manuel olarak oluşturulan özelliklerin sonuçları doğrudan yansıtamadığı durumlarda etkilidir. Çeşitli öneri senaryolarında hem düşük dereceli hem de yüksek dereceli özellik etkileşimleri kullanıcı davranışını etkiler. İnsanlar bu etkileşimleri genellikle net olarak anlayamadığından DeepFM bunları otomatik olarak öğrenir.
Örneğin, kişiselleştirilmiş ürün önerisi senaryosunda bir tıklama oranı (CTR) tahmin modeli gerekir. Geçmiş kullanıcı davranışı verilerini (tıklamalar, tıklanmayan gösterimler, satın alımlar) eğitim verisi olarak kullanarak bir kullanıcının tıklama veya satın alma olasılığını tahmin edersiniz. Kullanıcı davranışı verileri kapsamlı olduğunda ve gelecekteki tıklama veya satın alma kalıplarını doğrudan belirtmediğinde DeepFM, kullanıcı davranışı özelliklerini birleştirir ve seyrek özellikleri yüksek boyutlu yoğun temsillere dönüştürür.
Parametreler
Aşağıdaki tabloda, model_parameter yan tümcesini kullanarak CREATE MODEL sözdiziminde belirtebileceğiniz parametreler listelenmiştir. Kullanım senaryonuz için uygun parametreleri seçin.
|
Parametre |
Açıklama |
|
metrics |
Model için değerlendirme ölçümü. Geçerli değerler:
|
|
loss |
Öğrenme görevi için kayıp işlevi. Geçerli değerler:
|
|
optimizer |
İyileştirici. Geçerli değerler:
|
|
validation_split |
Çapraz doğrulama için kullanılan veri oranı. Varsayılan değer: 0,2. |
|
epochs |
Eğitim yineleme sayısı. Varsayılan değer: 6. |
|
batch_size |
Toplu iş başına eğitim örneği sayısı. Varsayılan değer: 64. Daha küçük bir toplu iş boyutu aşırı öğrenmeye daha yatkındır ancak daha büyük bir |
|
learning_rate |
Her yinelemede parametre güncellemelerinin büyüklüğünü kontrol eden öğrenme hızı. Bu parametreyi |
|
dnn_hidden_units |
DNN gizli katmanlarının mimarisi. Örnek: |
|
task |
Görev türü. Geçerli değerler:
|
Parametre yapılandırması için en iyi uygulamalar:
Varsayılan değerlere güvenmekten kaynaklanan beklenmeyen eğitim davranışlarını önlemek için
loss,metricsvebatch_sizegibi temel parametreleri açıkça belirtmenizi öneririz.batch_sizeveepochsparametrelerini birlikte ayarlayın:batch_sizedeğerini artırdığınızdaepochsdeğerini azaltmayı;batch_sizedeğerini azalttığınızda yeterli eğitimi sağlamak içinepochsdeğerini artırmayı düşünün.learning_rateveepochsparametrelerini birlikte ayarlayın: Iraksamayı önlemek içinepochsdeğerini artırdığınızda öğrenme hızını azaltın.dnn_hidden_unitsparametresini özellik sayısına göre ayarlayın. Daha az özelliğiniz varsa aşırı derin ağ yapıları kullanmaktan kaçının.
Örnekler
Model eğitin
/*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);
Modeli değerlendirin
/*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');
Tahminleri çalıştırın
/*polar4ai*/SELECT Airline FROM PREDICT(MODEL airline_deepfm,
SELECT * FROM db4ai.airlines limit 20) WITH
(x_cols = 'Airline,Flight,AirportFrom,AirportTo,DayOfWeek,Time,Length');
SSS
S: Yavaş veya başarısız olan DeepFM model eğitimini nasıl gideririm?
C: DeepFM model eğitimi olağandışı derecede uzun sürerse veya sonunda başarısız olursa sorunu aşağıdaki yönlerden giderin:
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|