FFM（Field-aware Factorization Machines）模型通过线性回归公式进行预测，利用隐式反馈数据如购买频率、点击次数等来计算信任度。模型包含常数项、特征项和双线性交互项，旨在最小化均方误差。优化过程采用梯度下降法，考虑权重的L1范数以进行正则化。
FFM公式模型：
基于隐式反馈：
cui=1+αruic_{ui} = 1+\alpha r_{ui}cui=1+αrui
其中rui表示动作的频率，比如购买、加购物车、收藏、点击的次数，或者观看/收听视频/音频的时长等等，α是置信度系数，cui表示信任度，按照这种方式，我们存在最小限度的信任度，并且随着我们观察到的正偏向的证据越来越多，信任度也会越来越大。
FFM模型公式为：
cui=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,fj,vj,fi>xi,xjc_{ui} = w_0+\sum_{i=1}^{n}w_ix_i+\sum_{i=1}^{n}\sum_{j=i+1}^{n}<v_{i,f_j},v_{j,f_i}>x_i,x_jcui=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,fj,vj,fi>xi,xj
回归问题：最小均方误差：
双线性FFM：
梯度下降：三种:ssw=w−α∑1m(gradent+λ∣w∣)w = w-\alpha\sum_{1}^{m}(gradent+\lambda|w|)w=w−α∑1m(gradent+λ∣w∣)
扫一扫
842
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
