110分钟
DeepFM算法详解与实战精讲
DeepFM算法有效地结合了因子分解机与神经网络在特征学习中的优点，同时提取低阶组合特征与高阶组合特征，从而避免人工构造复杂的特征工程，所以被越来越广泛地使用。 在本门课程中，重点且详细地为大家介绍了…
DeepFM算法有效地结合了因子分解机与神经网络在特征学习中的优点，同时提取低阶组合特征与高阶组合特征，从而避免人工构造复杂的特征工程，所以被越来越广泛地使用。
在本门课程中，重点且详细地为大家介绍了点击估计FM与DeepFM算法的计算过程，以及算法的优点与不足。同时通过广告点击的应用实践项目，从数据集介绍及环境搭建，到项目实践中的各个模块及算法的细致讲解，从基础理论算法到实践应用，带大家更透彻理解DeepFM的底层算法以及应用场景。
一、点击率估计FM与DeepFM算法
- 1.CTR估计及其经典方法概述
- 2.二项式特征的作用与挑战
- 3.二阶公式推导
- 4.FM算法解析
- 5.DeepFM整体架构解读
- 6.输入层所需数据样例
- 7.Embedding层的作用与总结
二、DeepFM算法实战
- 1.数据集介绍与环境配置
- 2.广告点击数据预处理实例
- 3.数据处理模块Embedding层
- 4.Index与Value数据制作
- 5.一阶权重参数设计
- 6.二阶特征组合方法实例分析
- 7.完成FM模块计算
- 8.DNN模块与训练过程
唐宇迪
同济大学硕士，华东理工大学博士