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 ]