本文探讨了FM（Factorization Machines）在电商推荐系统中的作用，针对稀疏数据挑战，如何通过二阶特征交互捕捉用户兴趣。FM的优势在于利用非零交互项学习，FFM和深度学习模型如DeepFM、xDeepFM的扩展。重点讲解了这些模型如何处理用户行为数据的稀疏性，以及它们如何提升推荐精度。
FM是干嘛的？
常用于广告系统和推荐系统
为啥说稀疏呢，比如说电商推荐，一个用户和商品的交互是非常稀疏的，只会跟很少的商品发生交互。
假如现在要给用户推荐不同的衣服，首先考虑用LR。
但是有时候，用户喜欢运动和用户喜欢运动类型的衣服(就是特征之间有关系)，有关联关系。所以想到如下的方式：
对于二阶模型，存在如下问题
矩阵完全化，可以计算出用户对完全没有接触过的商品的兴趣。
但是矩阵完全化没办法用到用户和商品侧的很多特征。
FM的优点
为什么FM可以解决稀疏性的问题？
其实可以从下图得出，就是w_ij*x_i*x_j，只要样本中x_i不是0，并且最少有一个其他特征x_j不是0，那么v_i就可以进行学习。
FFM的意思就是一个特征在跟A特征互动时，与在跟B特征互动时，其v不一样。FFM相对于FM有了更多的灵活度，更容易过拟合。
DeepFM
xDeepFM
、
扫一扫
1083
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
