(一)简介
1.FM(factorization machine)模型是一种基于矩阵分解的机器学习模型,对于稀疏数据具有很好的学习能力;
2.FM模型与LR模型的区别在于引进了特征组合;
(二)算法
1.线性回归模型:没有考虑特征分量之间的关系;
2.考虑特征分量之间关系的线性回归模型:若样本特征为高度稀疏,那么不能对wij参数进行估计,绝大部分为0;
3.FM模型:引入辅助向量vi来对wij进行估计,解决特征稀疏的缺陷;
其中:
由于W = VV',对应于一种矩阵分解,因此称为FM模型;
4.在实际应用中,一般k值取得比较小,可以限制FM的表达能力,提高模型的泛化能力;