机器学习面试必知:推荐算法FM

FM(Factorization Machine)模型是一种用于处理高维稀疏数据的通用预测模型,尤其在推荐系统中表现出色。它不仅能够捕捉线性关系,还能有效学习特征间的非线性交互,即使在特征高度稀疏的情况下也能良好工作。FM模型的目标函数包含线性项和交叉项,通过引入向量化交叉参数,可以学习到特征间复杂的交互关系。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

传统的线性模型如LR中,每个特征都是独立的,如果需要特征与特征直接的交互作用,需要人工对特征进行交叉组合,例如核方法。但是在特征高度稀疏的情况下,并不能很好地进行学习。
很多分解模型Factorization model如矩阵分解MF,SVD++等,这些模型可以学习到特征之间的交互隐藏关系,但是每个模型都只适用于特定的输入和场景。
因此,在高度稀疏的数据场景下推荐系统FM(Factorization Machine)出现了。

FM模型目标函数y(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1n&lt;vi,vj&gt;xixjy(x)=w_{0}+\sum_{i=1}^{n}w_{i}x_{i}+\sum_{i=1}^{n}\sum_{j=i+1}^{n}&lt;v_{i},v_{j}&gt;x_{i}x_{j}y(x)=w0+i=1nwixi+i=1nj=i+1n<vi,vj>xixj&lt;vi,vj&gt;&lt;v_{i},v_{j}&gt;<vi,vj>是输入特征i,j之间的交叉参数,vi和vjv_{i}和v_{j}vivj都是k维向量。

模型的计算复杂度O(kn)∑i=1n∑j=i+1n&lt;vi,vj&gt;xixj\sum_{i=1}^{n}\sum_{j=i+1}^{n}&lt;v_{i},v_{j}&gt;x_{i}x_{j}i=1

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值