一、AFN [2020]

《Adaptive Factorization Network: Learning Adaptive-Order Feature Interactions》

1. 手工制作有用的交叉特征是昂贵的、耗时的，而且结果可能无法泛化到未见过的特征交互。为了解决这个问题，人们提出了 Factorization Machine: FM ，通过将交叉特征的权重参数化为原始特征的 embedding 向量的内积从而显式地建模二阶交叉特征。为了更加通用，在最初的工作中还引入了涉及高阶特征组合的高阶FM （HOFM）。

   尽管有卓越的预测能力，但在 FM/HOFM 中仍有两个关键问题需要回答：

   • 首先，我们应该考虑交叉特征的最大阶次是什么？虽然较大的阶次可以建模更复杂的特征交互，并且似乎是有益的，但交叉特征的数量会随着最高阶次的增加而呈指数级增长，从而导致高的计算复杂度。这限制了高阶交叉特征的实际使用。

   • 其次，在最高阶数下有用的交叉特征集合是什么？必须认识到，并非所有的特征都包含针对估计目标的有用信号，不同的交叉特征通常具有不同的预测能力。不相关的特征之间的交互可以被认为是噪音，对预测没有贡献，甚至会降低模型的性能。AFM 通过用注意力分数来 reweighing 每个交叉特征来区分特征交互的重要性。然而，在复杂的特征组合上应用注意力机制会大大增加计算成本。因此，AFM 旨在仅仅建模二阶的特征交互。

   在论文 《Adaptive Factorization Network: Learning Adaptive-Order Feature Interactions》 中，作者认为现有的因子分解方法未能适当地回答上述两个问题。通常而言，现有的因子分解方法是按照列举、以及过滤的方式来建模特征交互：首先定义最大阶次，然后枚举最大阶次以内的所有交叉特征，最后通过训练来过滤不相关的交叉特征。这个过程包括两个主要的缺点：

   • 首先，预设最大阶数（通常较小）限制了模型在寻找有 discriminative 的交叉特征方面的潜力，因为要在表达能力和计算复杂性之间进行 trade-off 。

   • 其次，考虑所有的交叉特征可能会引入噪音并降低预测性能，因为并非所有无用的交叉特征都能被成功过滤掉。

   因此，论文 《Adaptive Factorization Network: Learning Adaptive-Order Feature Interactions》 提出了 Adaptive Factorization Network: AFN，从数据中自适应地学习任意阶次的交叉特征及其权重。其关键思想是：将 feature embedding 编码到一个对数空间中，并将特征的幂次转换为乘法。AFN 的核心是一个对数神经转换层（logarithmic neural transformation layer），由多个 vector-wise 对数神经元组成。每个对数神经元的目的是：在可能有用的特征组合中，自动学习特征的幂次（即，阶次）。在对数神经转换层上，AFN 应用前馈神经网络来建模 element-wise 的特征交互。与 FM/HOFM 不同的是，AFN 能够自适应地从数据中学习有用的交叉特征，而且最大阶次可以通过数据自动学到。

   论文主要贡献：

   • 据作者所知，他们是第一个将对数转换结构与神经网络结合起来，从而建模任意阶次的特征交互。

   • 基于所提出的对数转换层，作者提出了 AFN 从而从数据中自适应地学习任意阶次的交叉特征及其权重。

   • 作者表明：FM/HOFM 可以被解释为 AFN 的两种特例，并且 AFN 中学到的阶次允许在不同的交叉特征中 rescaling feature embedding 。

   • 论文在四个公共数据集上进行了广泛的实验。结果表明：所学的交叉特征的阶次跨度很大；与 SOTA 方法相比，AFN 取得了卓越的预测性能。

1.1 背景

1. Feature Embedding：遵从传统，我们将每个输入样本表示为一个稀疏的向量：

   $$\overrightarrow{\mathbf{x}}=[{\overrightarrow{\mathbf{x}}}_1,{\overrightarrow{\mathbf{x}}}_2,\cdots ,{\overrightarrow{\mathbf{x}}}_m]$$

   其中：$m$$m$ 为 feature field 的数量，${\overrightarrow{\mathbf{x}}}_i$$\mathbf{\vec x}_i$ 为第 $i$$i$ 个 feature field 的 representation ，$[\cdot ,\cdot ]$$[\cdot,\cdot]$ 为向量的拼接。

   • 由于大多数 categorical features 是稀疏的、高维的，一个常见的做法是将它们映射到低维潜空间中的稠密向量（即，embedding ）。具体而言，一个 categorical feature ${\overrightarrow{\mathbf{x}}}_i$$\mathbf{\vec x}_i$ 被初始化为一个 one-hot encoded vector ，然后计算 embedding 向量 ${\overrightarrow{\mathbf{e}}}_i$$\mathbf{\vec e}_i$ ：

     $${\overrightarrow{\mathbf{e}}}_i={\mathbf{V}}_i{\overrightarrow{\mathbf{x}}}_i$$

     其中 ${\mathbf{V}}_i$$\mathbf V_i$ 为 feature field $i$$i$ 的 embedding matrix 。

   • 对于数值特征 ${\overrightarrow{\mathbf{x}}}_j$$\mathbf{\vec x}_j$ ，它的 representation 是一个标量 $x_j$$x_j$ 。为了捕获数值特征和 categorical feature 之间的交互，$x_j$$x_j$ 也被转换为同一低维空间中的密集向量：

     $${\overrightarrow{\mathbf{e}}}_j={\overrightarrow{\mathbf{v}}}_j{x}_j$$

     其中：${\overrightarrow{\mathbf{v}}}_j$$\mathbf{\vec v}_j$ 为field $j$$j$ 的 embedding vector （由该 field 内的所有特征取值所共享）。

   最终我们得到 feature embedding 集合 $\mathbf{e}=\{{\overrightarrow{\mathbf{e}}}_1,{\overrightarrow{\mathbf{e}}}_2,\cdots ,{\overrightarrow{\mathbf{e}}}_m\}$$\mathbf{ e} = \left\{\mathbf{\vec e}_1,\mathbf{\vec e}_2,\cdots,\mathbf{\vec e}_m\right\}$ 从而用于 FM 或其他模型。

2. FM：FM 显式建模高维数据的二阶特征交互。从公式上看，FM 的预测为：

   $$y=<\overrightarrow{\mathbf{w}},\overrightarrow{\mathbf{x}}>+\sum _{j_2>j_1}^m<{\overrightarrow{\mathbf{e}}}_{j_1},{\overrightarrow{\mathbf{e}}}_{j_2}>$$

   其中 $<\cdot ,\cdot >$$<\cdot, \cdot>$ 为内积。

   直观地，第一项 $<\overrightarrow{\mathbf{w}},\overrightarrow{\mathbf{x}}>$$<\mathbf{\vec w}, \mathbf{\vec x}>$ 是原始特征的线性组合，第二项是 feature embedding 的 pair-wise 内积之和。

   此外，Higher-Order Factorization Machine: HOFM 用于捕获高阶的特征交互：

   $$y=<\overrightarrow{\mathbf{w}},\overrightarrow{\mathbf{x}}>+\sum _{j_2>j_1}^m<{\overrightarrow{\mathbf{e}}}_{j_1},{\overrightarrow{\mathbf{e}}}_{j_2}>+\sum _{j_3>j_2>j_1}^m<{\overrightarrow{\mathbf{e}}}_{j_1},{\overrightarrow{\mathbf{e}}}_{j_2},{\overrightarrow{\mathbf{e}}}_{j_3}>+\cdots +\sum _{j_n>\cdots >j_1}^m<{\overrightarrow{\mathbf{e}}}_{j_1},\cdots ,{\overrightarrow{\mathbf{e}}}_{j_n}>$$

   其中：$n$$n$ 为交叉特征的最大阶次；内积运算被扩展为多个 feature embedding 的 element-wise 的乘积之和。

   HOFM 的时间复杂度为 $O(k{m}^n)$$O(km^n)$ ，其中 $k$$k$ 为 feature embedding 的维度。由于计算复杂度高，HOFM 很少被应用于真正的工业系统。

   FM 和 HOFM 的一个共同局限性是：它们以相同的权重来建模所有的特征交互。由于并非所有的交叉特征都是有用的，纳入所有的交叉特征进行预测可能会引入噪音并降低模型性能。

   如前所述，一些方法致力于缓解这一问题：AFM 利用注意力机制为不同的交叉特征分配非均匀的权重，xDeepFM 只为保留的交叉特征学习权重。然而，这些方法引入了额外的成本，并且在模型训练前仍被限制在一个预设的最大特征交互阶次 $n$$n$ 。在实践中，$n$$n$ 通常被设置为一个小值，以使模型大小适中。这样的设计阻碍了寻找具有 discriminative 的高阶交叉特征的机会。

   在本文中，我们建议从数据中自适应地学习任意阶交叉特征。最大阶次和交叉特征集合都将通过模型训练自适应地确定，从而在不牺牲预测能力的前提下实现高计算效率。

3. Logarithmic Neural Network: LNN：对数神经网络（Logarithmic Neural Network）最初是为了近似 unbounded 的非线性函数而提出的。LNN 由多个对数神经元组成，其结构如下图所示。从形式上看，一个对数神经元可以表述为：

   $$y=\exp (\sum _i{w}_i\ln x_i)=\prod _i{x}_i^{w_i}$$

   LNN 的理念是将输入转换到对数空间，将乘法转化为加法，除法转化为减法，幂次转化为乘法。尽管多层感知机（multi-layer perceptron: MLP）是众所周知的通用函数逼近器，但当输入无界时，它们在逼近某些函数如乘法、除法和幂次方面的能力有限。相反，LNN 能够在整个输入范围内很好地逼近这些函数。

   在本文中，我们利用对数神经元来自适应地学习数据中交叉特征的每个feature field的幂次。我们强调 LNN 和我们提出的 AFN 之间的三个关键区别：

   • AFN 学到的幂次被应用到 vector-wise level ，并且在相同 field 的所有 feature embedding 之间共享。

   • 我们模型的输入是待学习的 feature embedding 。因此，我们需要使用一些技术来保持梯度稳定，并学习适当的 feature embedding 和 combination 。

   • 在 AFN 中，我们在学到的交叉特征上进一步应用前馈隐层，以增强我们模型的表达能力。

     AFN 有几个显著的缺点：

     • 要求 embedding 为正数，这对模型施加了很强的约束。

     • 由于大多数 embedding 在零值附近，一个很微小的扰动（如计算精度导致的计算误差）就可能对模型产生影响，因此读者猜测模型难以训练。

   

1.2 模型

1. AFN 的整体结构如下图所示。

   • Input Layer and Embedding Layer：AFN 的 inpyt layer 同时采用 sparse categorical feature 和 numerical feature 。如前所述，所有的原始输入特征首先被转换为共享潜在空间的 embedding。

     这里我们介绍两个实现 embedding layer 的关键技术：

     • 首先，由于我们将对后续的层中的 feature embedding 进行对数转换，我们需要保持 embedding 中的所有数值为正数。

       如何确保 embedding 中的所有数值都是正的？论文没有说明。此外，embedding 非负，这对模型施加了一个很强的约束。然后，即使采用了非负的 embedding，然后对于接近零的 embedding，它的 “对数--指数” 变换非常敏感，一个很微小的扰动（如计算精度导致的计算误差）就可能对模型产生影响，因此读者猜测模型较难训练。

     • 其次，建议在 zero embedding 中加入一个小的正值（如 ${10}^{-7}$$10^{-7}$）从而避免数值溢出。

     最后，embedding layer 的输出是 positive feature embedding 的一个集合：$\mathbf{e}=\{{\overrightarrow{\mathbf{e}}}_1,{\overrightarrow{\mathbf{e}}}_2,\cdots ,{\overrightarrow{\mathbf{e}}}_m\}$$\mathbf{ e} = \left\{\mathbf{\vec e}_1,\mathbf{\vec e}_2,\cdots,\mathbf{\vec e}_m\right\}$ 。

   • Logarithmic Transformation Layer：AFN 的核心是对数转换层（logarithmic transformation layer），它学习交叉特征中每个 feature field的幂（即阶次）。该层由多个 vector-wise 的对数神经元组成，第 $j$$j$ 个 vector-wise 对数神经元的输出为：

     $${\overrightarrow{\mathbf{y}}}_j=\exp (\sum _{i=1}^m{w}_{i,j}\ln {\overrightarrow{\mathbf{e}}}_i)={\overrightarrow{\mathbf{e}}}_1^{w_{1,j}}\odot {\overrightarrow{\mathbf{e}}}_2^{w_{2,j}}\odot \cdots \odot {\overrightarrow{\mathbf{e}}}_m^{w_{m,j}}$$

     其中：$w_{i,j}$$w_{i,j}$ 为第 $j$$j$ 个神经元在第 $i$$i$ 个 feature field 上的系数；$\ln (\cdot )$$\ln(\cdot)$ 和 $\exp (\cdot )$$\exp(\cdot)$ 以及幂次 $(\cdot {)}^{w_{i,j}}$$(\cdot)^{w_{i,j}}$ 都是 element-wise 的；$\odot$$\odot$ 为逐元素乘法。

     对上式的主要观察是：每个对数神经元 ${\overrightarrow{\mathbf{y}}}_j$$\mathbf{\vec y}_j$ 的输出能够代表任何交叉特征。例如，当 $w_{1,j}=w_{2,j}=1$$w_{1,j} = w_{2,j} = 1$，而 $w_{i,j}=0,3\le i\le m$$w_{i,j} = 0, \quad 3\le i \le m$ 时，我们有 ${\overrightarrow{\mathbf{y}}}_j={\overrightarrow{\mathbf{e}}}_1\odot {\overrightarrow{\mathbf{e}}}_2$$\mathbf{\vec y}_j = \mathbf{\vec e}_1\odot \mathbf{\vec e}_2$，这是前两个原始 feature field 的二阶交叉特征。因此，我们可以使用多个对数神经元来获得任意阶次的不同 feature combination 作为该层的输出。

     注意，系数矩阵 ${\mathbf{W}}_{\text{LTL}}\in {\mathbb{R}}^{m\times N}$$\mathbf W_\text{LTL}\in \mathbb R^{m\times N}$ 为可学习的参数并且没必要收敛到 0 或 1 ，其中 $N$$N$ 为该层的对数神经元的数量。

   • Feed-forward Hidden Layers and Prediction：在对数转换层上，我们堆叠了几个全连接层从而组合所得到的交叉特征。

     • 我们首先将所有的交叉特征拼接起来作为前馈神经网络的输入：

       $${\overrightarrow{\mathbf{z}}}_0=[{\overrightarrow{\mathbf{y}}}_1,{\overrightarrow{\mathbf{y}}}_2,\cdots ,{\overrightarrow{\mathbf{y}}}_N]$$

       其中： $N$$N$ 为前一层的对数神经元的数量，$[\cdot ,\cdot ]$$[\cdot,\cdot]$ 表示向量拼接操作。

     • 然后我们将 ${\overrightarrow{\mathbf{z}}}_0$$\mathbf{\vec z}_0$ 馈入到 $L$$L$ 个隐层：

       $$\begin{array}{c}{\overrightarrow{\mathbf{z}}}_1=\text{ReLU}({\mathbf{W}}_1{\overrightarrow{\mathbf{z}}}_0+{\overrightarrow{\mathbf{b}}}_1)\\ \cdots \\ {\overrightarrow{\mathbf{z}}}_L=\text{ReLU}({\mathbf{W}}_L{\overrightarrow{\mathbf{z}}}_{L-1}+{\overrightarrow{\mathbf{b}}}_L)\end{array}$$

       其中：${\mathbf{W}}_L$$\mathbf W_L$ 和 ${\overrightarrow{\mathbf{b}}}_L$$\mathbf{\vec b}_L$ 分别表示第 $L$$L$ 层的权重矩阵和偏置向量。

     • 最后，隐层的输出 ${\overrightarrow{\mathbf{z}}}_L$$\mathbf{\vec z}_L$ 被转换为最终预测值 $\hat{y}$$\hat y$ ：

       $$\hat{y}={\overrightarrow{\mathbf{w}}}_p^{\mathrm{\top }}{\overrightarrow{\mathbf{z}}}_L+b_p$$

       其中：${\overrightarrow{\mathbf{w}}}_p,b_p$$\mathbf{\vec w}_p, b_p$ 分别表示 prediction layer 的权重向量和偏置。

   

2. Optimization：目标函数针对不同的任务（分类、回归、ranking ）而做出相应的选择。常见的目标函数是对数损失：

   $$\text{Logloss}=-\frac{1}{K}[\sum _{i=1}^K{y}_i\log \sigma \left({\hat{y}}_i\right)+(1-y_i)\log (1-\sigma \left({\hat{y}}_i\right))]$$

   其中：$K$$K$ 为训练样本数量，$\sigma (\cdot )$$\sigma(\cdot)$ 为 sigmoid 函数。

   我们采用 Adam 优化器进行随机梯度下降。此外，我们对logarithmic transformation 、exponential transformation 和所有隐层的输出进行 batch normalization: BN 。有两个原因：

   • 首先，feature embedding $\overrightarrow{\mathbf{e}}$$\mathbf{\vec e}$ 通常被初始化并被优化为接近于零。在对数变换后， embedding 往往涉及大的负值，并有显著的方差，这对后续几层的参数优化是有害的。由于 BN 可以缩放并 shift 输出为归一化的数值，因此它对 AFN 的训练过程至关重要。

   • 其次，我们在对数转换层之后采用多层神经网络。对隐层的输出进行 BN 有助于缓解协方差漂移问题，从而导致更快的收敛和更好的模型性能。

3. Ensemble AFN with DNN：之前的工作（Wide&Deep、DeepFM、xDeepFM）提出将基于交叉特征的模型（如 FM ）的预测结果与基于原始特征的神经方法的预测结果进行 ensemble ，以提高性能。类似地，我们也可以将 AFN 与深度神经网络进行结合。为了执行AFN 和神经网络之间的 ensemble ，我们首先分别训练这两个模型。之后，我们建立一个 ensemble 模型来结合两个训练好的模型的预测结果：

   $${\hat{y}}_{\text{ensem}}=w_1\times {\hat{y}}_{\text{AFN}}+w_2\times {\hat{y}}_{\text{DNN}}+b$$

   其中：${\hat{y}}_{\text{AFN}},{\hat{y}}_{\text{DNN}}$$\hat y_\text{AFN}, \hat y_\text{DNN}$ 分别为训练好的 AFN 和 DNN 的预测结果，$w_1,w_2$$w_1, w_2$ 分别为相应的系数，$b$$b$ 为偏置项。

   ensemble model 可以通过 logloss 损失来进行训练。我们把这个 ensemble 模型称为 "AFN+" 。

   我们的 ensemble 方法与DeepFM 使用的方法有些不同：DeepFM 的 feature embedding 在 FM 和 DNN 之间共享，而我们将 AFN 和 DNN 的 embedding layer 分开从而避免干扰。主要的原因是：与 DeepFM 不同，AFN 中的 embedding value 的分布应该始终保持 positive ，这和 DNN 中 embedding value 的分布相差甚远。

   众所周知，在 CTR 预测任务中，DNN 模型的参数主要集中在 embedding table。这里用到了两套 embedding table ，模型参数翻倍。

   根据我们的实验，这种分离方法略微增加了模型的复杂性，但会带来更好的性能。

4. 讨论：

   • 理解 AFN 中的阶次：AFN 通过对数转换层学习交叉特征中每个特征的阶次。由于对数转换层的权重矩阵 ${\mathbf{W}}_{\text{LTL}}$$\mathbf W_\text{LTL}$ 没有限制，学到的特征阶次可以是小数或负值。为了理解 AFN 学到的特征阶次，我们借鉴了 field-aware factorization machine: FFM 的一些思想。

     在 FFM 中，每个特征都关联 $m$$m$ 个 feature embedding ，其中 $m$$m$ 是 feature field 的数量。FFM 与 FM 的区别在于，每个特征在与不同 field 的其它特征进行交互时采用不同的 embedding 。FFM 的启示是：要避免不同 field 的特征空间之间的干扰。 在 AFN 中，每个特征的阶次可以被看作是相应 feature embedding 的一个比例因子。例如，考虑一个取值从 0 到 1 之间的 embedding ，大于 1 的阶次会缩小 embedding 值，而小于 1 的阶次则扩大 embedding 值。通过与 FFM 的类比，当与不同 field 的其它特征进行交互时，可以利用 AFN 学到的阶次来 rescale feature embedding 。

   • 与 FM 和 HOFM 的关系：我们首先表明，FM 可以被看作是AFN 的一个特例。根据公式 ${\overrightarrow{\mathbf{y}}}_j=\exp (\sum _{i=1}^m{w}_{i,j}\ln {\overrightarrow{\mathbf{e}}}_i)={\overrightarrow{\mathbf{e}}}_1^{w_{1,j}}\odot {\overrightarrow{\mathbf{e}}}_2^{w_{2,j}}\odot \cdots \odot {\overrightarrow{\mathbf{e}}}_m^{w_{m,j}}$$\mathbf{\vec y}_j = \exp\left(\sum_{i=1}^m w_{i,j} \ln \mathbf{\vec e}_i\right) = \mathbf{\vec e}_1^{w_{1,j}}\odot \mathbf{\vec e}_2^{w_{2,j}}\odot\cdots\odot \mathbf{\vec e}_m^{w_{m,j}}$ ，通过适当设置每个 feature embedding 的幂次 $w_{i,j}$$w_{i,j}$ ，对数神经元的输出 ${\overrightarrow{\mathbf{y}}}_j$$\mathbf{\vec y}_j$ 能够表示任何二阶交叉特征。假设我们有足够多的对数神经元来产生所有的二阶交叉特征，并且后续的隐层在 element-level 上近似于一个简单的 sum 函数，那么 AFN 可以准确地恢复 FM 。

     类似地，当我们有足够多的对数神经元来提供最大阶次内的所有交叉特征，并允许隐层近似 sum 函数时，AFN 能够恢复HOFM。

   • 时间复杂度：令 $k$$k$ 和 $m$$m$ 分别表示 feature embedding 维度和 feature field 数量。在 AFN 中，对数神经元可以在 $O(km)$$O(km)$ 时间内计算出来。假设有 $N$$N$ 个对数神经元，则对数变换层的计算复杂度为 $O(kmN)$$O(kmN)$ 。考虑到隐层的额外成本，AFN 的总时间复杂度是 $O(kmN+n_W)$$O(kmN + n_W)$ ，其中 $n_W$$n_W$ 是隐层的权重总数。

     至于 HOFM ，假设 $n$$n$ 是预先定义的特征组合的最大阶次，它需要 $O(k{m}^n)$$O(km^n)$ 时间来提供预测，通过动态编程可以减少到 $O(km{n}^2)$$O(kmn^2)$。注意，HOFM 的时间复杂度与交叉特征的最大阶次 $n$$n$ 高度相关，而在 AFN 中，由于其自适应的交叉特征生成方式，$N$$N$ 和 $n_W$$n_W$ 都仅由模型结构决定。根据经验，在最佳设置下，训练 AFN 的时间成本与 CIN 接近。

1.3 实验

1. 数据集：

   • Criteo：包含 13 个数值特征和 26 个 categorical feature 。

   • Avazu：包含 22 个 feature field ，包括用户特征和广告属性。

   • Movielens：我们将每个 tagging record （(user ID, movie ID, tag) 三元组）转换为一个特征向量来作为输入。target 为：用户是否为电影分配了一个特定的 tag 。

   • Frappe：我们将每条日志（user ID, app ID, context features ）转换为一个特征向量来作为输入。target 为：用户是否在上下文中使用过该 app 。

   所有数据集的统计信息如下表所示。

   

2. 评估指标：AUC, Logloss 。

3. baseline 方法：

   • 一阶方法（对原始特征进行线性相加）：Linear Regression: LR 。

   • 考虑二阶交叉特征的 FM-based 方法：FM、AFM。

   • 建模高阶特征交互的高级方法：HOFM、NFM、PNN、CrossNet、CIN。

   • 涉及 DNN 作为组件的 ensemble 方法：Wide&Deep （为公平比较，我们省略了手工制作的交叉特征），DeepFM、Deep&Cross、xDeepFM 。

4. 实现细节：

   • 使用 Tensorflow 实现、采用 Adam 优化器、学习率 0.001、mini-batch size = 4096。

   • 对于 Criteo/Avazu/Movielens/Frappe 数据集，默认的对数神经元数量 $N$$N$ 分别被设置为 1500/1200/800/600 。

   • AFN 中默认使用 3 个隐层、每层 400 个神经元。

   • 为了避免过拟合，根据验证集的 AUC 进行 early-stopping 。

   • 在所有的模型中，我们将 feature embedding 的维度设置为 10。

   • 我们对所有涉及 DNN 的方法使用相同的神经网络结构（即 3 层：400-400-400 ）以进行公平的比较。

   • HOFM 的最高阶次设为 3 。

   • 所有其他的超参数都是在验证集上调优的。

   • 对于每个经验结果，我们运行实验 3 次并报告平均值。

5. 单模型的比较：单模型的比较如下表所示。可以看到：

   • AFN 在所有的数据集上产生了最好的或有竞争力的性能。

     • 对于 Criteo 和 Frappe，AFN 比第二好的模型 CIN 要好得多。

     • 对于Movielens，AFN 取得了第二好的性能。

     • 对于 Avazu ，AFN 取得了最好的 logloss ，而 AUC 适中。

     关于较简单的模型在 Movielens 和 Avazu 上的良好表现，我们猜测这两个数据集的预测更多依赖于低阶交叉特征，AFN 的优势因此受到限制。请注意，Movielens 只包含三个 feature field ，找到有用的高阶交叉特征的好处可能是微不足道的。

   • AFN 在所有数据集上的表现一直优于 FM 和 HOFM ，这验证了学习自适应阶次的交叉特征比建模固定阶次的交叉特征可以带来更好的预测性能。

   • 利用高阶交叉特征的模型通常优于基于低阶交叉特征的模型，特别是当feature field 的数量很大时。这与高阶特征交互具有更强的预测能力的直觉是一致的。

   AFN 并没有在所有数据集上展示出显著的提升。

   ensemble 模型的比较：ensemble 模型的比较如下表所示。可以看到：

   • AFN+ 在四个数据集上取得了最佳性能。平均而言，AFN 相比 xDeepFM，在 AUC 和 logloss 上分别取得了 0.003 和 0.012 的改善。

     这表明，AFN 学到的自适应阶次的交叉特征与 DNN 建模的隐式特征交互有很大不同，因此在结合两种不同类型的特征交互进行预测时，性能增益显著提高。

   

6. 超参数研究：我们只提供 Frappe 的结果，因为其他三个数据集的结果是相似的。

   • 对数神经元的数量：如下图 (a) 所示：

     • 当神经元的数量变大时，AFN 的性能呈现上升趋势，随后是下降趋势。这表明应该采用适当数量的对数神经元，在表达能力和泛化之间做出权衡，以达到最佳性能。

     • 令人惊讶的是，即使对数神经元的数量少于 5 个，AFN的优势也很稳定。这一结果表明，找到少量的 discriminative 交叉特征对预测的准确性至关重要，而 AFN 对于找到这些关键的交叉特征是有效的。

   • 隐层深度：如下图 (b) 所示：

     • 在学到的自适应阶次的交叉特征上堆叠隐层有利于提高模型性能。

     • 值得注意的是，AFN 的性能并不高度依赖于隐层的数量。当深度被设置为0 时，AFN 仍然可以取得相当好的结果。这证明了对数转换层在学习 discriminative 交叉特征方面的有效性。

   • 隐层神经元数量：如下图 (c) 所示：

     • AFN 的性能首先随着神经元数量的增加而增长。这是因为更多的参数给模型带来了更好的表达能力。

     • 当隐层的神经元数量超过 600 时，性能开始下降，这是由于过拟合导致的。

   

7. 学到的阶次：下图显示了在 Criteo 数据集上整个训练过程中特征阶次的变化。

   • 从下图 (a) 可以看到：各个 feature field 的阶次通常以 0 为中心，在 [-1，1] 的范围内。这与典型的 factorization-based 的方法截然不同，在这种方法中，每个特征的阶次要么为 0 、要么为 1 。学到的特征阶次的 relaxation 允许原始 feature embedding 在组成不同的交叉特征时被 rescale 。

   • 下图 (b) 给出了交叉特征的阶次的分布，其中交叉特征的阶次是组成它的各个特征的阶次的绝对值之和来计算的。可以看到：在训练过程中，学到的交叉特征的阶次被逐渐优化。

     最终的交叉特征阶次分布在一个很宽的范围内（从 4 到 10 ），而不是像许多 factorization-based 方法那样被固定在一个预定义的值上（例如 2 ）。

   

8. 案例研究：我们对 Frappe 数据集进行了案例研究。为了说明问题，我们将对数神经元的数量限制为 3 个。Figure 4(c) 提供了每个神经元上单个特征阶次的绝对值和总和。

   从图中，我们可以大致推断出，三个交叉特征 (item id, is free, country), (user id, item id), (item id, is free) 在各自的对数神经元中被学习。

   此外，通过 sum 三个神经元的特征阶次，发现最 discriminative 的 feature field 是 item id, is free, user id 。这是合理的，因为 user id 和 item id 是协同过滤中最常用的特征；而 is free 表示用户是否为 mobile app 付费，是用户对 app 偏好的一个有力指标。