参考Facebook论文:Practical Lessons from Predicting Clicks on Ads at Facebook
原理:GBDT是一种常用的非线性模型,基于集成学习中boosting的**,由于GBDT本身可以发现多种有区分性的特征以及特征组合,决策树的路径可以直接作为LR输入特征使用,省去了人工寻找特征、特征组合的步骤。所以可以将GBDT的叶子结点输出,作为LR的输入,如图所示:
数据集采用criteo-Display Advertising Challenge比赛的部分数据集,比赛地址: https://www.kaggle.com/c/criteo-display-ad-challenge/data 全部的数据集下载:http://labs.criteo.com/2014/02/kaggle-display-advertising-challenge-dataset/
train-logloss: 0.117204349458
val-logloss: 0.594054488135
train-logloss: 0.319873
val-logloss: 0.521285
tr-logloss: 0.261914566568
val-logloss: 0.502417918338
为了快速验证实验,实验中所使用的数据集非常小,所以gbdt+FFM的效果在这个数据集下未必会好于gbdt+lr,至于gbdt+FFM与gbdt+lr的效果哪个更好,在以后的学习过程中还需要进行多次试验