FM算法

FM （Factorization Machines）因子分解机

FM算法的目的是：解决稀疏数据下的特征组合问题。 核心：在于特征组合，以此来减少人工参与特征组合。 用途：被广泛应用于广告推荐等CTR（Click-Through-Rate，点击通过率）预估场景。

优势：

• 1.处理数据高度稀疏的场景；

• 2.具有线性的计算复杂度；

• 3.能够在任意的实数特征向量中生效；

• 4.对输入要求低，能够灵活处理各种格式的数据；

one-hot编码转换后都会导致样本数据的稀疏性和特征空间变大。经过特征关联组合，可以提高label之间的相关性。例如“女性”和“化妆品类商品”，“男性”和“酒类商品”，“电影”和“电影票类商品”。表示特征之间的关联，最直接的方法就是构造组合特征。样本中特征之间的关联信息在one-hot编码和浅层学习模型（如LR，SVM）是做不到的。目前主要有2种手段得到组合特征。

• 1）人工特征工程（数据分析+人工构造）

• 2）通过模型做组合特征学习（FM/FFM方法、深度学习方法）

本文纯粹是个人总结，内容简要浅显。