【无标题】

FM模型——推荐系统

●基于pytorch
●原理

●公式推导
		●https://blog.csdn.net/qq_38253837/article/details/112646966
	●使用矩阵分解法对二阶特征交叉权重矩阵进行分解
●代码
	●使用embedding
		●embedding可以看做一个特别的linear，其原理是基于矩阵乘法，可以对one-hat数据进行linear操作
		●https://blog.csdn.net/qq_38253837/article/details/116228925
	●不使用embdding
		●https://blog.csdn.net/qq_38253837/article/details/112646966
●计算LOSS：
	●二元交叉熵：nn.BCELoss

●优点

●FM前身特征交叉（POLY2模型）的缺点

●使原本稀疏的特征向量变得更加稀疏，导致大部分交叉特征权重缺乏有效数据进行训练，从而难以收敛
●权重参数数量由n上升到了n^2，极大地增加了训练开销

●将交叉特征权重数目由n^2降至n*k，极大地降低了训练开销
●隐向量的引入很好地解决了数据稀疏问题
●泛化能力大大提升，甚至可以对从而出现过的特征组合计算其权重
●实时性和灵活，推断过程简单，使其更容易进行线上部署