DeepCTR
DeepCTR copied to clipboard
shenweichen
DeepFM中特征交叉问题
请问为什么在算fm_logit的时候，只对离散特征计算，连续型特征不需要计算交叉项吗？这种做法有什么优势吗
没有吧，感觉这里设计的有些问题，连续特征其实可以对应一个embedding v，然后乘以连续特征的值v*x就可以交叉了。自己拿过来，魔改一下。
请问为什么在算fm_logit的时候，只对离散特征计算，连续型特征不需要计算交叉项吗？这种做法有什么优势吗
没有吧，感觉这里设计的有些问题，连续特征其实可以对应一个embedding v，然后乘以连续特征的值v*x就可以交叉了。自己拿过来，魔改一下。
什么叫设计的有问题。。。连续特征有很多种用法，deepctr实现了其中一种，自己需要哪种自己调整一下就好了 稠密连续类型特征的处理 - 浅梦的学习笔记： 在点击率预估问题中，可以尝试的几种方法 1、归一化后直接输入dnn部分，不参与fm部分交叉 2、不归一化经过bn后输入dnn，不参与fm部分交叉 3、离散化后作为id feature, embedding后与其他sparse feature的embedding 一起参与fm的交叉 4、为每一个field下的dense value 维护一个embedding vector ,取 作为其最终的embedding表示，与其他sparse feature的embedding一起参与fm的交叉
请问为什么在算fm_logit的时候，只对离散特征计算，连续型特征不需要计算交叉项吗？这种做法有什么优势吗
没有吧，感觉这里设计的有些问题，连续特征其实可以对应一个embedding v，然后乘以连续特征的值v*x就可以交叉了。自己拿过来，魔改一下。
什么叫设计的有问题。。。连续特征有很多种用法，deepctr实现了其中一种，自己需要哪种自己调整一下就好了 稠密连续类型特征的处理 - 浅梦的学习笔记： 在点击率预估问题中，可以尝试的几种方法 1、归一化后直接输入dnn部分，不参与fm部分交叉 2、不归一化经过bn后输入dnn，不参与fm部分交叉 3、离散化后作为id feature, embedding后与其他sparse feature的embedding 一起参与fm的交叉 4、为每一个field下的dense value 维护一个embedding vector ,取 作为其最终的embedding表示，与其他sparse feature的embedding一起参与fm的交叉
感谢这位同学的解答，之所以不强制令连续特征参与FM部分的计算是一方面是为了向用户提供更灵活的处理方式，另一方面、在我们实际的应用中也很少将连续特征与稀疏特征进行交叉计算。如果有需要的话可以自行进行修改。
is there an example to show how to cross continous features with categorical features? @shenweichen and @zanshuxun
