FM算法原理及如何用来召回

weixin_49959093

已于 2022-06-13 17:04:26 修改

阅读量801

点赞数 1

文章标签：算法机器学习推荐算法

于 2022-05-06 11:45:39 首次发布

本文链接：https://blog.csdn.net/weixin_49959093/article/details/124605714

版权

FM算法主要用于稀疏数据场景的召回和排序，它具有线性计算复杂度的优势。模型通过学习特征的隐向量，将用户、物品和上下文特征相结合，进行高效计算。在线召回时，通过用户特征向量与物品特征向量的内积求得得分，返回Top K的物品作为召回结果。FM算法的泛化能力使其在大规模稀疏数据中表现优秀。

摘要由CSDN通过智能技术生成

用途：FM算法可以用来做召回，排序

背景：旨在解决稀疏数据下的特征组合问题

优势：高度稀疏的数据场景具有线性计算复杂度。

原理

公式
$y=w_{0}+\sum_{i=1}^{n} w_{i} x_{i}+\sum_{i=1}^{n} \sum_{j=i+1}^{n}<v_{i}, v_{j}>x_{i} x_{j}$

n为特征数，v为特征的隐向量，时间复杂度： $O( n^2 )$

公式推导

$\begin{aligned} & \sum_{i=1}^{n} \sum_{j=i+1}^{n}\left\langle\mathbf{v}_{i}, \mathbf{v}_{j}\right\rangle x_{i} x_{j} \\ =&\left.\frac{1}{2} \sum_{i=1}^{n} \sum_{j=1}^{n}\left\langle\mathbf{v}_{i}, \mathbf{v}_{j}\right\rangle x_{i} x_{j}-\frac{1}{2} \sum_{i=1}^{n}\left\langle\mathbf{v}_{i}, \mathbf{v}_{i}\right\rangle x_{i} x_{i}\right] \\ =& \frac{1}{2}\left(\sum_{i=1}^{n} \sum_{j=1}^{n} \sum_{f=1}^{k} v_{i, f} v_{j, f} x_{i} x_{j}-\sum_{i=1}^{n} \sum_{f=1}^{k} v_{i, f} v_{i, f} x_{i} x_{i}\right) \\ =& \frac{1}{2} \sum_{f=1}^{k}\left(\left(\sum_{i=1}^{n} v_{i, f} x_{i}\right)\left(\sum_{j=1}^{n} v_{j, f} x_{j}\right)-\sum_{i=1}^{n} v_{i, f}^{2} x_{i}^{2}\right) \\ =& \frac{1}{2} \sum_{f=1}^{k}\left(\left(\sum_{i=1}^{n} v_{i, f} x_{i}\right)^{2}-\sum_{i=1}^{n} v_{i, f}^{2} x_{i}^{2}\right) \end{aligned}$

最低0.47元/天解锁文章

weixin_49959093

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
FM算法原理及如何用来召回

用途：FM算法可以用来做召回，排序背景：旨在解决稀疏数据下的特征组合问题优势：高度稀疏的数据场景具有线性计算复杂度。原理公式FM:y=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,vj>xixjF M: y=w_{0}+\sum_{i=1}^{n} w_{i} x_{i}+\sum_{i=1}^{n} \sum_{j=i+1}^{n}<v_{i}, v_{j}>x_{i} x_{j}FM:y=w0+i=1∑nwixi+i=1∑nj=i+1∑n.
复制链接

扫一扫