Fm算法个人理解小记

从开始接触推荐相关的内容以来，无论是主流的工业应用还是各种博客科普教学，Fm算法始终是推荐这条路上绕不过的重要节点。

因为个人水平有限，始终对于Fm算法的理解都停滞与表面，别人说Fm算法是对LR的升级，是对MF的发扬光大，但是就我自己来说，始终没有理解Fm算法真正的内核所在，或者说的具体一点，就是Fm怎么做到对用户/物品进行向量表示。

俗话说读书百遍其义自见，但是书读百遍，不用心去理解问题，直接看答案会导致你对答案里的方法、技巧根本不能理解，更不要提答案是怎么解决问题的。

对于Fm的一些想法，特此记录，待到搞清楚后，再进行整理。

---

11.25

Fm算法针对Lr来说，个人理解是加入了2阶的向量组合，说人话就是Lr 只会对单个特征训练参数w，但是单独的特征组合表示的信息有限，如果我们能把单独的特征进行组合例如，岂不是能表示的信息更多。当然阶数越高越能表示复杂信息，但是受制于计算等其他限制，现在大家主要是集中精力于2阶，这样算是对原来单阶一个不小的优化。

那么问题来了，Fm怎么做到2阶表示的。这个公式是二阶表示

Fm是这么做的： 可以看到Fm实际做的是把原来的2阶特征组合的参数拆成了这样的形式。不严谨地讲，可以看成特征对应的向量表示，这样就获得了自己在计算维度上的代理人，后面无论是求相似度还是啥的操作，就能代替自己参与计算了。

施工未完·······