（推荐系统）FFM算法：Field-aware Factorization Machines for CTR Prediction

摘要

FFM算法由Yuchin Juan等人于2016ACM大会上提出。基于交叉信息有助于提高推荐算法精度的思想，FFM引进了场（field）的概念，提出了一种粒度更细的样本交叉信息提取方法。实验结果表明，与传统的POLY2与FM等算法对比，FFM更能有效地处理稀疏数据，同时获取较高的推荐精度。

1 FFM算法模型

本小节将简单地对FFM模型原理，求解方法作一个梳理。

1.1 引进场信息

场信息即特征所属的一个类别。 以论文中的例子作说明：

ESPN属于出版方（P），Nike属于广告方（A），Male数学与性别（G）,P,G,A正是这个三个特征的field。Juan等人认为：同一个filed的特征之间往往差异较少（笔者认为这是一种更抽象的“差异”），不同field的特征差异较大（这点聚类的思想？），FM对特征进行无差异地点积，实质上并没有考虑域中的共性和域间的差异性。同时，事实上很多时候没有必要暴力地衡量任意两个小特征的关系，而只需要衡量小特征和每个field之间的关系。因此引入field信息在一定程度上还能降低稀疏性，提升隐向量的实际含义和泛化能力。

1.2 FFM算法的模型

在上一篇介绍FM的博客中可以得知，FM的预测结果由全局偏置，单样本信息，交叉信息计算而来。而FFM与FM的核心区别在于交叉信息的计算方式。FM的交叉信息计算公式如下式：

FFM正式在交叉信息这一部分引入field信息，即把上式改写成为：

其中$f$即表示filed信息。直观上来说，FM与FFM的特征矩阵如下图：

其中，右图的 a a