动机

本文是2017年IJCAI上的一篇论文。FM方法通过结合二阶特征交互来增强线性回归模型，它将这些特征交互一视同仁，给予它们一个相同的权重，但是并不是所有特征的交互都是有意义的，更具体的，不同的特征交互之间有不同的重要性。而FM模型忽略了这一点，这可能会带来一些噪声，本文作者提出了AFM模型，通过注意力机制学习到不同特征交互的重要性从而解决上述问题。

方法

AFM结构如下图。

从左往右，首先是Sparse Input层，这一层是特征的输入，输入是稀疏的。
之后通过一个embedding层，获取用户(物品)的特征表示。
接着是Pair-wise Interaction层，这一层计算的是特征之间的交互，具体计算方法为

然后是Attention-based Pooling，这一层通过一个MLP计算出特征交互的注意力分数，之后再将交互加权求和。


最终的预测为

本文中的任务是预测用户评分，是一个回归任务，使用mse loss。其他任务可根据具体情况使用不同的损失函数。

实验结果

作者在两个数据集上做了相关实验，本文提出的AFM取得最好效果。

总结

本文主要贡献就在于Attention-based Pooling这一层，通过注意力网络计算出不同特征交互的重要性，提高模型表达能力，同时也提高了模型的可解释性，可以通过注意力分数就看出哪些特征交互重要性更高，具有一定的指导性意义。