本文介绍了FM模型在推荐系统中的应用及其背后的原理。FM模型能够捕捉到特征间的交互关系，尤其适用于处理高维稀疏数据的情况。该文详细解释了FM模型如何通过引入二阶交互项来改进传统线性分类器的不足，并提到了它在KDD2012及WSDM2013会议上发表的相关论文所取得的良好效果。
FM是推荐系统中使用的一种推荐模型，在很多领域有很好的推荐效果 . kdd2012, wsdm2013有几篇论文都取得了比较好的效果。
数据格式：
与libsvm一样 接受的数据格式和libSVM是一样的，每行一个数值（分类结果or打分结果等），对应一组特征，每个非零特征都需要给出数值，零特征忽略
主要思想：
传统的线性分类器： y=w1x1+w2x2+w3x3...............
一般的是x1,x2,x3.是条件独立的才有效， 而FM希望能总结出来feature和feature之间的关系。 以二阶为例(发现两个feature之间的关系)
Y= w1x1+w2x2+w3x3...............+w12x1x2+w13x1x3+w14x1x4+……
<!--[endif]-->
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
