fm算法详解_FM算法(一)：算法理论

主要内容：动机

FM算法模型

FM算法VS 其他算法

一、动机

在传统的线性模型如LR中，每个特征都是独立的，如果需要考虑特征与特征直接的交互作用，可能需要人工对特征进行交叉组合；非线性SVM可以对特征进行kernel映射，但是在特征高度稀疏的情况下，并不能很好地进行学习；现在也有很多分解模型Factorization model如矩阵分解MF、SVD++等，这些模型可以学习到特征之间的交互隐藏关系，但基本上每个模型都只适用于特定的输入和场景。为此，在高度稀疏的数据场景下如推荐系统，FM(Factorization Machine)出现了。

下面所有的假设都是建立在稀疏数据的基础上，举个例子，根据用户的评分历史预测用户对某部电影的打分，这里的每一行对应一个样本，Feature vector x表示特征，Targer y表示预测结果。从下图可以看出，这是一个稀疏特征的例子，后面的相关内容会以此为例子进行说明。

特征中的前四列表示用户u(one-hot编码，稀疏)，接着五列表示电影i(ont-hot编码，稀疏)，再接下去五列表示用户u对电影i的打分(归一化特征)，紧接着一列表示时间(连续特征)，最后五列表示用户u对电影i打分前评价过的最近一部电影(one-hot编码，稀疏)

二、FM算法模型