摘要
在实际的应用场景中,数据的稀疏性会大大降低支持向量机(support vector machine,svm)等经典算法的预测性能。另外,传统的因式分解类算法,如矩阵分解(Matrix Factorization,MF)泛化能力弱,无法满足实际需求。为解决上述问题,Steffen Rendle提出一种基于分解思想的算法,即因子分解机(Factorization Machines,FM)。凭借出色的通用性以及较低的线性计算复杂度,FM 在推荐算法大家族中起着举足轻重的作用。
1. FM模型
本小节将简要地介绍FM的工作模型。
FM的建模公式为:
算法需要学习的参数为:
其中, V V V是一个因子矩阵,里面包含n个物品与k个隐类的关系。
式(1)是FM的模型公式。 w 0 w_0 w0是全局偏置, w i w_i wi表示具体某一个样本的权重,< v i v_i vi, v j v_j v