1. 什么是FFM
Field-aware Factorization Machines(简称FFM),是由YuChin Juan与其比赛队员提出,是FM的一种变式。
在Click-through rate (CTR) 预测中,FFM的效果好于二阶多项式(Poly2)和FM模型。
针对CTR预测,学习特征组合的影响是十分重要的,而普通的线性模型(y=wx)是很难学习特征组合项的参数。此前,针对特征组合的学习,有二阶多项式和FM模型。我们知道FM模型,是将Poly2中的二次项即特征组合项的参数,分解成了对应特征的隐向量的内积,因此可以应用在稀疏数据场景下。
下面两个公式,就是二阶多项式和FM模型。其中,FM公式是需要再经过推导,可以得到线性时间复杂度。
Poly2:
FM:
那么,FFM作为FM的变式,与FM的不同之处在哪?
在FM中,一个特征i只对应一个隐向量