推荐系统召回全能模型之:FM 模型

在推荐领域 CTR(click-through rate)预估任务中,最常用到的 baseline 模型就是 LR(Logistic Regression)。

对数据进行特征工程,构造出大量单特征,编码之后送入模型。这种线性模型的优势在于,运算速度快可解释性强,在特征挖掘完备且训练数据充分的前提下能够达到一定精度。但这种模型的缺点也是较为明显的:

模型并未考虑到特征之间的关系 。在实践经验中,对特征进行交叉组合往往能够更好地提升模型效果。

对于多取值的 categorical 特征进行 one-hot 编码,具有高度稀疏性,带来维度灾难问题。

FM(Factorization Machine)模型就是针对在特征组合过程中遇到的上述问题而提出的一种高效的解决方案[1]。

由于 FM 优越的性能表现,后续出现了一系列 FM 变种模型,从浅层模型到深度推荐模型中都有 FM 的影子。

本文给大家推荐七月在线价值千元的 FM 特训实战课程,从原理到实战深刻理解 FM 模型,全程社群答题,提供代码和课件下载,100% 实战项目,扫码了解课程详情:

123.png


本文地址:https://www.6aiq.com/article/1618315398713
本文版权归作者和AIQ共有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出