Tüm Ürünler
Search
Belge Merkezi

PolarDB:DeepFM algoritması

Son Güncelleme:Oct 07, 2026

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:

  • accuracy (varsayılan): Sınıflandırma modelleri için doğruluk ölçümü.

  • binary_crossentropy: İkili sınıflandırma sorunları için çapraz entropi ölçümü.

  • mse: Regresyon modelleri için ortalama karesel hata ölçümü.

loss

Öğrenme görevi için kayıp işlevi. Geçerli değerler:

  • binary_crossentropy (varsayılan): İkili sınıflandırma sorunları için çapraz entropi kaybı.

  • mean_squared_error: Regresyon modelleri için ortalama karesel hata kaybı.

optimizer

İyileştirici. Geçerli değerler:

  • adam (varsayılan): AdaGrad (uyarlamalı öğrenme hızı gradyan inişi) ve momentum gradyan inişinin avantajlarını birleştirir. Seyrek gradyanları iyi yönetir (doğal dil işleme ve bilgisayarlı görü için uygundur) ve gradyan salınımını azaltır.

  • sgd: Stokastik gradyan inişi.

  • rmsprop: Bir ağırlık parametresi tanıtan ve adım boyutu birikimi için ağırlıklı toplam kullanan, AdaGrad üzerinde bir iyileştirme.

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 batch_size yineleme başına bellek tüketimini artırır. Büyük veri kümeleri için eğitim verimliliğini artırmak üzere bu değeri (örneğin 128 veya 256'ya) artırmayı düşünün. Küçük veri kümeleri veya bellek kısıtlı ortamlar için ise azaltmayı düşünün.

learning_rate

Her yinelemede parametre güncellemelerinin büyüklüğünü kontrol eden öğrenme hızı. Bu parametreyi epochs ile birlikte ayarlayın: Modelin ıraksamasını veya yakınsamamasını önlemek için epochs değerini artırdığınızda genellikle learning_rate değerini azaltmanız gerekir. Tersine, epochs değerini azalttığınızda öğrenme hızını artırabilirsiniz.

dnn_hidden_units

DNN gizli katmanlarının mimarisi. Örnek: <code data-tag="inlineCode" id="code-dnhu">[64,32]</code> ifadesi, sırasıyla 64 ve 32 nöron içeren iki gizli katmanı belirtir. Varsayılan ağ yapısı veri kümeniz için çok karmaşıksa eğitim yavaş olabilir ve başarısız olma eğiliminde olabilir. Giriş özelliği sayısına ve veri kümesi boyutuna göre ağ yapısını basitleştirmenizi öneririz. Daha az özelliğiniz varsa daha küçük gizli katmanlar kullanın.

task

Görev türü. Geçerli değerler:

  • binary (varsayılan): Sınıflandırma modeli.

  • regression: Regresyon modeli.

Not

Parametre yapılandırması için en iyi uygulamalar:

  • Varsayılan değerlere güvenmekten kaynaklanan beklenmeyen eğitim davranışlarını önlemek için loss, metrics ve batch_size gibi temel parametreleri açıkça belirtmenizi öneririz.

  • batch_size ve epochs parametrelerini birlikte ayarlayın: batch_size değerini artırdığınızda epochs değerini azaltmayı; batch_size değerini azalttığınızda yeterli eğitimi sağlamak için epochs değerini artırmayı düşünün.

  • learning_rate ve epochs parametrelerini birlikte ayarlayın: Iraksamayı önlemek için epochs değerini artırdığınızda öğrenme hızını azaltın.

  • dnn_hidden_units parametresini 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:


Olası neden


Sorun giderme ve çözüm


batch_size çok küçük: Varsayılan değer 64'tür ve bu, büyük veri kümeleri için yavaş işlemeye neden olabilir.


Toplu iş başına işlem verimliliğini artırmak için batch_size değerini 128 veya 256'ya çıkarın.


learning_rate ve epochs eşleşmiyor: Aşırı yüksek bir öğrenme hızı modelin ıraksamasına neden olurken aşırı düşük bir öğrenme hızı yakınsamayı engeller.


learning_rate değerini ayarlayın: epochs değerini artırdığınızda öğrenme hızını azaltın; epochs değerini azalttığınızda öğrenme hızını artırın.


dnn_hidden_units aşırı karmaşık bir model yapısı tanımlıyor: Veri kümesi karmaşık bir ağı desteklemek için yetersiz olduğunda eğitim yavaş olur ve başarısız olma eğilimindedir.


Ağ yapısını basitleştirin. Örneğin, [128,64,32] değerini [64,32] olarak değiştirin ve gizli katman boyutunu giriş özelliği sayısına göre ayarlayın.


Anahtar parametreler açıkça belirtilmemiş: Varsayılan değerlere güvenmek beklenmeyen eğitim davranışlarına yol açabilir.


Tahmin edilebilir bir eğitim davranışı sağlamak için batch_size, loss ve metrics gibi anahtar parametreleri açıkça yapılandırın.


Veri kalitesi sorunları: Eğitim verileri çok sayıda eksik değer, aykırı değer veya düzensiz dağıtılmış özellikler içeriyor.


Eğitim verilerinin kalitesini kontrol edin. Modeli yeniden eğitmeden önce eksik değerleri doldurun veya aykırı örnekleri kaldırın.