大家好，又见面了，我是你们的朋友全栈君。
本算法是CTR中的系列算法之一，具体的原理就不说了。网上其他的博客一大堆。都是互相抄来抄去，写上去之后容易让人误会。因此我只传上代码实现部分。大家做个参考。
这里我们的FFM算法是基于Tensorflow实现的。
为什么用Tensorflow呢？观察二次项，由于field的引入，Vffm需要计算的参数有 nfk 个，远多于FM模型的 nk个，而且由于每次计算都依赖于乘以的xj的field，所以，无法用fm的计算技巧(ab = 1/2(a+b)^2-a^2-b^2)，所以计算复杂度是 O(n^2)。
因此使用Tensorflow的目的是想通过GPU进行计算。同时这也给我们提供了一个思路：如果模型的计算复杂度较高，当不能使用CPU快速完成模型训练时，可以考虑使用GPU计算。比如Xgboost是已经封装好可以用在GPU上的算法库，而那些没有GPU版本的封装算法库时，例如我们此次采用的FFM算法，我们可以借助Tensorflow的GPU版本框架设计算法，并完成模型训练。
代码主要分三部分：
build_data.py
主要是完成对原始数据的转化。主要包括构造特征值对应field的字典。
FFM.py
主要包括线性部分及非线性部分的代码实现。
tools.py
主要包括训练集的构造。
这里我们主要分析 FFM.py，也就是模型的构建过程：
首先初始化一些参数，包括：
- k：隐向量长度
- f ：field个数
- p：特征值个数
- 学习率大小
- 批训练大小
- 正则化
- 模型保存位置等
代码如下图所示：
然后，构造了一个model类，主要存放：
- 初始化的一些参数
- 模型结构
- 模型训练op（参数更新）
- 预测op
- 模型保存以及载入的op
代码如下图所示：
之后，对模型构造部分代码进行分析，可发现模型由两部分组成，第一部分是下图红框内容，其实就是线性表达式 w^Tx+b，其中：
- b shape(None,1)
- x shape (batch_size,p)
- w1 shape(p,1) 注：p为特征值个数
定义变量及初始化后，就可以构造线性模型，代码如下图所示：
然后，定义一个Vffm变量用来存放交叉项的权重，并初始化。因为我们已经了解到Vffm是一个三维向量，所以，v ：shape(p,f,k) 。
之后是vi,fj、vj,fi的构造。因为v 有p行，代表共有p个特征值，所以vifj = v[i, feature2field[j]]，说人话就是第i个特征值在第j个特征值对应的field上的隐向量。
vjfi 的构造方法类似，所以vivj就可以求出来.然后就是把交叉项累加，然后 reshape 成（batch_size，1）的形状，以便与线性模型进行矩阵加法计算。
代码如下图所示：
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/131719.html原文链接：https://javaforall.net
