.png){kind=icon}
返回
SR-HyperFM: Sample Relationship Aware Hypergraph Factorization Machines for Feature Interaction Modeling
.png){kind=icon}
PRE
AI
DOI：10.1145/3773082.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
特征交互建模利用特征之间的交互信息，已在各种应用中得到了广泛探索。最近，许多基于图或超图结构的模型被提出，通过预测节点间边的存在或超边的存在来建模特征交互。然而，这些模型缺乏捕捉样本间固有可比性的能力，其中多个样本表现出共享和独特特征，而这种可比关系通常有助于预测。为此，我们提出SR-HyperFM（基于样本关系的超图因子分解机），将样本可比关系整合到特征交互建模中，利用样本间的共享特征和关键差异。具体而言，引入了基于样本关系的超图构建模块，以充分捕捉样本间的可比关系并发现有益的高阶特征交互。此外，双超图信息传递模块通过利用这些固有关系明确建模特征交互。在四个真实数据集上的大量实验证明了SR-HyperFM的优越性。此外，案例研究进一步验证了SR-HyperFM的有效性。
