FM 模型

5.1 FM模型的引入

5.1.1 逻辑回归模型及其缺点

FM模型其实是一种思路，具体的应用较少。一般来说做推荐CTR预估时最简单的思路就是将线性组合（逻辑回归LR）,传入sigmoid中得到一个概率值，本质上这就是一个线性模型，因为sigmoid是单调函数不会改变里面的线性模型的CTR预测顺序，因此逻辑回归模型效果会比较差。
LR的缺点：

1. 是一个线性模型
2. 每个特征对最终输出结果独立，需要手动特征交叉，比较麻烦。

5.1.2 二阶交叉项的考虑及改进

由于LR模型的上述缺陷（主要是手动做特征交叉比较麻烦），干脆就考虑所有的二阶交叉项。

5.2 FM公式的理解

从公式看，模型前半部分就是普通的LR线性组合，后半部分的交叉项：特征组合。首先，但从模型表达能力上来看，FM是要强于LR的，至少它不会比LR弱，当交叉项参数全为0的时候，整个模型就退化为普通的LR模型。

5.3 FM模型的应用

最直接的想法就是直接把FM得到的结果放进sigmoid中输出一个概率值，由此做CTR预估，事实上我们也可以做召回。
由于FM模型是利用两个特征embedding做内积得到二阶特征交叉的权重，那么我们可以将训练好的FM特征取出离线存好，之后用来做KNN向量检索。
工业应用的具体操作步骤：

1. 离线训练好FM模型（学习目标可以是CTR）
2. 将训练好的FM模型Embedding取出
3. 将每个uid对应的embedding做avg pooling 形成该用户最终的embedding,item也做同样的操作。
4. 将所有的embedding向量放入Faiss等
5. 线上uid发出请求，取出对应的uesr embedding,进行检索召回。