FM(Factorization Machine)主要目标是:解决数据稀疏的情况下,特征怎样组合的问题。该模型预测的复杂度是线性的。FM不仅继承了过去协同过滤、矩阵分解、逻辑回归等算法的特点,而且是后来众多模型改进的基础。
而且FM还是一种比较灵活的模型,通过合适的特征变换方式,FM可以模拟二阶多项式核的SVM模型、MF模型、SVD++模型等。
相比SVM的二阶多项式核而言,FM在样本稀疏的情况下是有优势的;而且,FM的训练/预测复杂度是线性的,而二项多项式核SVM需要计算核矩阵,核矩阵复杂度就是N平方。
基于上述来说,FM可以说是推荐系统工程师必会的模型了。但是现在网上相关的程序包也很多很杂,那么有什么方法可以帮助我们更好地理解 FM模型吗?
七月在线推出了限时 1 元秒杀【FM实战特训】课程,已迭代至第二期!
学、练、考——3步系统化学习,帮你快速掌握:FM的原理及实践
本课程会从 FM的发展过程、原理剖析、代码实现和场景应用等多个方面实战 FM模型,而且还会有BAT技术大牛传授模型调优和相关的工作经验。课程的主要内容包括:线性回归、二次回归、SVD、SVD++、FM、FFM、libfm;特征组合、数据重编码、AUC的提升、模型调参等,大