推荐系统3--FM和FFM

推荐系统3--FM和FFM_Evey_zhang的博客-CSDN博客_推荐系统fm

推荐系统的发展，由最初的协同过滤到矩阵分解再到机器学习模型gbdt+lr（gbdt用来做特征筛选，lr处理稀疏 特征，这个是推荐系统特征工程化的开始）

lr只是对特征进行加权组合，不能特征交叉生成组合特征，表达能力受限

poly2，fm与fmm的出现为了解决lr无法做特征交叉的问题（特征交叉一个经典的例子是将年龄和性别进行组合，特定年龄段的女性对于化妆品的喜好会有不同）

poly2在lr的基础上加了二阶特征交叉项

poly2的问题，数据稀疏性，交叉特征乘积为零，对应的权重在训练时无法收敛，参数量过大

fm

把poly2交叉特征的系数矩阵参考矩阵分解的方式进行处理，将w_ij写成隐向量相乘的形式，fm的参数量由n^2减少到了kn,包含xi的项都可以用来学习vi，缓解了数据稀疏的影响，

两个优点降低了参数量，参数更容易学习，受数据稀疏影响较小

ffm

把样本特征按所属域进行区分，每一个特征都和不同域的特征学习隐向量，体现不同域特征的差异项，表达能力更强，降低一侧隐向量的维度