小哲的博客

这条记录可以编码成5个特征，其中“Genre=Comedy”和“Genre=Drama”属于同一个field，“Price”是数值型，不用One-Hot编码转换。从 FFM 模型的表达式可以看出，如果把field设为 1，那么 FFM 模型就是 FM 模型，因此 FM 模型只是 FFM 模型中特征在一个域中的表征。，所以每个特征都会有一个field-lantent矩阵，shape=[f, k]，f为field的维度，k为隐向量的维度。FM可以看做FFM的特例，把所有特征都归属到一个field的FFM模型。

（因子分解机, FM），这是一种新的模型，它结合了支持向量机（SVM）和因式分解模型的优点。FM是一种通用预测器（与SVM一样），能够处理任何实值数。另外，其使用分解参数模拟变量之间的所有交互（原文：In contrast to SVMs, FMs model all interactions between variables using factorized parameters.）。因此，即使在SVM也无力回天的稀疏性（如推荐系统）问题中，FM模型也能胜任。本文证明了。

经过100个epoch的训练，训练集的loss下降有所波动，而验证集的acc达到90%左右，可以通过增加epoch，调整batch_size，以及正则化参数等措施来提高模型训练效果。，是互联网广告常用的术语）预估的算法中，是一个简单的，有代表性的算法。LR计算速度非常快，在人工特征工程的辅助下，一般可以得到较好的结果。从图中我们可以看到sigmoid激活函数的自变量取值空间在[-4,4]的区间内对概率输出变化比较敏感，过拟合问题往往源自过多的特征，冗余的特征往往对模型的预测有较大的干扰。