Deskripsi
Attentional Factorization Machine (AFM) adalah model canggih yang dirancang untuk meningkatkan kinerja factorization machine dengan mempelajari pentingnya interaksi fitur melalui jaringan perhatian. Repositori ini menawarkan implementasi TensorFlow langsung dari model AFM, yang dibangun di atas konsep dasar Factorization Machines (FM).
Baca Selengkapnya
Proyek ini didasarkan pada makalah penelitian "Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks" oleh Jun Xiao, Hao Ye, Xiangnan He, Hanwang Zhang, Fei Wu, dan Tat-Seng Chua, yang dipresentasikan di IJCAI 2017. Implementasi ini mendukung tugas regresi dan klasifikasi, mengoptimalkan untuk RMSE.
Pengguna dapat memanfaatkan kode ini untuk mereplikasi temuan penelitian atau menerapkan AFM ke dataset mereka sendiri. Repositori ini menyediakan instruksi yang jelas untuk menyiapkan lingkungan, yang memerlukan TensorFlow (versi 1.0.1), NumPy, dan Scikit-learn. Dataset harus mengikuti format input dari toolkit LibFM, dengan contoh menggunakan dataset MovieLens untuk rekomendasi tag yang dipersonalisasi.
Contoh cepat yang disertakan mendemonstrasikan cara melatih model FM terlebih dahulu untuk pra-pelatihan, dan kemudian menggunakan bobot ini untuk melatih model AFM. Pendekatan ini memungkinkan perbandingan langsung kinerja antara FM standar dan AFM yang ditingkatkan. Kode ini juga mencakup fungsionalitas untuk mengevaluasi model yang dilatih pada dataset uji.
Implementasi ini sangat berharga bagi para peneliti dan praktisi di bidang sistem rekomendasi, machine learning, dan deep learning yang ingin meningkatkan akurasi dan interpretasi model mereka dengan menangkap nuansa interaksi fitur secara efektif. Mekanisme perhatian memungkinkan model untuk secara dinamis menimbang pentingnya pasangan fitur yang berbeda, yang mengarah pada prediksi yang lebih tepat.
- KategoriModel AI & LLM
- Model HargaOpen source
- PenerapanCloud, Di-host sendiri
- PlatformWeb
Fitur Inti Attentional Factorization Machine
Implementasi TensorFlow dari Attentional Factorization Machine (AFM)
Mendukung tugas regresi dan klasifikasi
Mengoptimalkan untuk RMSE
Mempelajari bobot interaksi fitur melalui jaringan perhatian
Mencakup implementasi Factorization Machines (FM) untuk pra-pelatihan
Menggunakan one-hot encoding untuk konversi vektor fitur
Kompatibel dengan format dataset LibFM
Menyediakan contoh penggunaan dengan dataset MovieLens
Mencakup skrip untuk pelatihan dan evaluasi
Basis kode mencakup AFM.py, FM.py, dan LoadData.py
Mendukung pra-pelatihan model
Memulai dengan Attentional Factorization Machine
Siapkan lingkungan: Instal TensorFlow (v1.0.1), NumPy, dan Scikit-learn.
Siapkan dataset: Format data sesuai spesifikasi toolkit LibFM.
Latih model FM: Jalankan `python FM.py` dengan dataset dan parameter yang ditentukan untuk pra-pelatihan.
Latih model AFM: Jalankan `python AFM.py` menggunakan bobot FM yang telah dilatih sebelumnya.
Evaluasi model: Jalankan `python FM.py` atau `python AFM.py` dengan flag `--process evaluate`.
Kasus Penggunaan Attentional Factorization Machine
- Sistem Rekomendasi
- Rekomendasi Tag
- Prediksi Tingkat Klik Tayang
- Pembelajaran Interaksi Fitur
- Pengembangan Model Machine Learning
