（推荐系统） FM算法：Factorization Machines

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，$V$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。$w_0$是全局偏置，$w_i$表示具体某一个样本的权重，<$v_i$,$v$