推荐算法之FFM：原理及实现简介

推荐系统一般可以分成两个模块，检索和排序。比如对于电影推荐，检索模块会针对用户生成一个推荐电影列表，而排序模块则负责对这个电影列表根据用户的兴趣做排序。当把FFM算法应用到推荐系统中时，具体地是应用在排序模块。

FFM算法，全称是Field-aware Factorization Machines，是FM（Factorization Machines）的改进版。这个改进原理上比较简单，所以我想先把FM讲清楚。

我们知道推荐算法中，最广为人知的是协同过滤算法，协同过滤一般分为基于用户的协同过滤和基于物品的协同过滤，而除此之外，还有基于隐语义的协同过滤。我们来考虑一个电影评分的问题，用户对于电影的评分，可以构成一个评分矩阵$M$，这个矩阵是稀疏的，因为每个用户看过的电影都是有限的，这个矩阵里面会有很多缺失项，我们要做的便是将这个稀疏矩阵填满，我们可以怎么做呢？想象一个兴趣空间，这个空间里面有多个维度，维度一表示悬疑类型，维度二表示言情类型，等等。那么用户的兴趣可以表达为这个空间里的一个向量$u$，而电影本身的特点也可以用这个空间里的向量$v$表达，于是用户对电影的评分可以用内积 $u \centerdot v$来表示。通过这个方式，我们便可以对这个评分矩阵做矩阵分解:

$$M = U^T\centerdot V$$
其中 $U$是用户在隐语义空间对应的向量组成的矩阵，而 $V$则是电影对应的矩阵。求解这个矩阵分解问题对应的优化问题是这样：
$$\min_{U, V} \sum_{r_{u,v}\in R} (r_{u,v}-u\centerdot v)^2$$
其中R是用户对电影的评分的集合， $r_{u.v}$即表示用户 $u$对电影 $v$的评分。这里为了方便省略了正则项。通过求解这个优化问题，得到矩阵 $U$和 $V$，于是对于 ru′,v′∉R