DeepCTR

本仓库主要是进行论文的复现以及在基准数据集上的评测，提供简单易用的调用接口。使用TensorFlow实现是为了计算图定义的灵活性，同时提供类似Keras的调用接口。欢迎指正交流！

依赖环境

• python3
• tensorflow==1.4.0
• numpy==1.13.3
• scikit-learn==0.19.1

设计说明

base基类仿照keras模型实现以下公有方法，包括

• compile
  编译模型,指定优化器和损失函数以及度量
• save_model 保存模型
• load_mdel 加载模型
• train_on_batch 小批量训练
• fit 全量训练
• test_on_batch 小批量评估
• evaluate 模型评估
• predict_on_batch 小批量预测
• predict 全量预测 私有方法包括
• _create_optimizer
• _create_metrics
• _compute_sample_weight

同时设计了若干抽象方法

• _get_input_data
• _get_input_target
• _get_output_target
• _get_optimizer_loss
• _build_graph
  要求子类在__init__方法末尾调用self._build_graph()构建计算图。

计划

• 添加tf.summary.FileWriter
• 添加自定义度量函数
• 添加带权损失函数
• 添加损失函数

DeepFM

DeepFM: A Factorization-Machine based Neural Network for CTR Prediction arxiv

• 正则化项和损失函数还需要修改

DeepCrossNetwork

Deep & Cross Network for Ad Click Predictions arxiv

实现和论文的区别

• embedding_size
  论文里提出每个field根据cardinality的不同来设置。这里用的是所有field具有相同embedding_size的实现，所以feature的编码是global的。
• Batch normalization
  论文在Deep Network部分采用了BN,采用BN貌似没有dropout效果好。
• gradient clip
  论文采用了梯度截断，范数设置为100
• 其他 论文采用512batch size，并提出使用早停来防止过拟合，L2和dropout正则效果一般。