Field-aware Factorization Machine - FFM（领域感知的因子分解机）

“域”概念的提出

本篇的模型是FFM，全称是Field-aware Factorization Machine。作者认为，FM中虽然对特征做了高阶（一般是二阶）交叉，但是有一个弊端：在实际场景中，特征的领域(Field)很可能不同，比如性别、品牌、国籍等，向量在不同域的表示应该不一样才对，FM只用一个向量Embedding来表示特征，也就意味着在与其他特征做交叉的时候，使用的是同一个向量，这显然是不合理的。

所以，FFM引入了域(Field)的概念，做法就是每个特征不再使用单一向量表示，而是$f$个向量，这里的$f$就是域的个数。

特征交叉

介绍完了FFM的概念，下面用一个例子来讲一讲FFM是如何做特征交叉的，原理很简单。看下面这个例子，假设某个训练样本拥有“发行商-广告商-性别”三个维度的特征，如下图所示：

Publisher - P	Advertiser - A	Gender - G
ESPN	NIKE	MALE

如果是FM做特征交叉，回想一下，FM是给每个特征初始化一个向量(Embedding)，然后用内积来表示这一对向量之间的关系，所以表达式应该是：
$$w_{ESPN}\ast w_{NIKE}$$