FM/FFM 总结

一、FM

1、FM的本质就是利用矩阵分解的方式，降低模型的参数数量，解决稀疏矩阵中 参数求解不精确 的问题。
2、FM的训练/预测复杂度 是 线性的。
3、FM与MF、SVD++的主要区别：
MF只能局限于两类特征，SVD++与MF类似。而FM在特征的扩展性上较好。

二、FFM

1、与FM相比，FFM引入了field的概念，即对每个feature，其除了“特征index”以外，还有“field index”，这种操作 使得 FFM 能够更好的 捕捉到 不同features联合 后 对 prediction 的贡献强度。在进行矩阵分解时，对于每个feature xi，其有 f 个 隐向量（f是指field的个数），所以，在FFM中，隐向量的个数为 fn 个。而在 FM 中，隐向量的个数为 n 个。

三、总结

FM、FFM中的 矩阵分解 的 思想，主要都是 应用于 “特征联合”。通过 FM/FFM 可以使得“联合特征”的参数量 显著减少。

参考博文：[ F:\data mining\已看–书籍 ]