CTR预估在推荐系统中的重要性不言而喻，面对稀疏数据，FM算法通过考虑特征间交互来提升预测效果。算法核心是将线性模型拓展，考虑特征的二次项交互，并通过特定方式优化稀疏数据的训练问题。
一、为什么要用FM算法
在计算广告和推荐系统中，CTR预估(click-through rate)是非常重要的一个环节，判断一个商品的是否进行推荐需要根据CTR预估的点击率来进行。而在处理这类数据时，我们常常会使用one-hot编码（例如对用户ID、商品ID等），但这样就带了一个问题，数据太过稀疏。在面对如此稀疏的数据时，我们仅仅考虑每一个特征显然是不够的。这个时候，考虑特征之间的组合就显得尤为重要。
二、算法主体
普通的线性模型，我们都是将各个特征独立考虑的，并没有考虑到特征与特征之间的相互关系：
当我们考虑特征之间的组合时，我们稍微改动一下上面的公式就可以得到我们想要的算法：
但这个公式有个问题，对于稀疏数据来说，xi和xj都不为0的情况太少，这样将导致无法通过训练很好地得到ωij。
所以，将wij拆成两块来训练得到：
最低0.47元/天 解锁文章
672
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
