机器学习项目（五）电影推荐系统（六）FM FFM

最新推荐文章于 2024-03-30 19:55:59 发布

TongYixuan_LUT

最新推荐文章于 2024-03-30 19:55:59 发布

阅读量1k

点赞数

分类专栏：机器学习实战文章标签：机器学习 python 深度学习人工智能推荐系统

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_33357094/article/details/106022315

版权

本文介绍了FM（Factorization Machines）和FFM（Field Factorization Machine）在电影推荐系统中的作用。FM是一种自动组合特征的模型，能够处理稀疏数据，而FFM引入了field概念，更细致地考虑特征间的关系。离散化和one-hot编码是处理特征的重要手段，文章提到了连续性特征离散化的优点和方法。最后，提到了使用xlearn库进行FFM模型训练的链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

FM&FFM

特征类型

1.连续性特征：统计特征、用户对商品的偏好分、搜索词和文本相似度等
2.离散型特征：用户ID、性别、省份、商品ID、品牌ID、品类ID等

连续性特征离散化

1.连续性特征离散化优点：
离散化后的特征对异常数据有很强的鲁棒性
特征离散化后，模型会更稳定
2.连续性特征离散化的方法：
分桶法：等宽分桶、等频分桶
树模型分桶：借助树模型分桶

离散型特征：

one-hot编码：
hash trick

MF(Matrix Factorization)

在这里插入图片描述
$\min _{p, q} L(p, q)=\sum_{(u, i) \in K}\left(r_{u i}-\hat{r}_{u i}\right)^{2}+\lambda\left(\left\|p_{u}\right\|^{2}+\left\|q_{i}\right\|^{2}\right)$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。