FM的推导原理--推荐系统

本文介绍了Factorization Machine(FM)及Field-aware Factorization Machine(FFM)的原理与实践,重点对比了FM与FFM的区别,并解释了FFM如何通过考虑特征的field来改进特征组合问题。

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

 

 FM:解决稀疏数据下的特征组合问题  Factorization Machine(因子分解机)

美团技术团队的文章,觉得写得很好啊:https://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html

 

复杂度变成(kn)

FFM是(knn),FMM是隐变量和fileld相关

假设样本的 n个特征属于 f个field,那么FFM的二次项有 nf个隐向量。而在FM模型中,每一维特征的隐向量只有一个。FM可以看作FFM的特例,是把所有特征都归属到一个field时的FFM模型。根据FFM的field敏感特性,可以导出其模型方程。

 

转载于:https://www.cnblogs.com/wuxiangli/p/7259482.html

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