CTR预估算法之FM，实践项目代码包 + 数据集奉上

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