fm推荐算法,fm算法应用

调频总结：

1、FM算法与线性回归相比增加了特征的交叉。 自动选择所有特征的两个或两个组合，并给出两个或两个组合的权重。

2、如前条所述，给两个特征的组合一个权重，需要训练的参数太多。 例如，我们有n维的特征，这样就需要N*N级的参数。 FM算法的优点之一是减少需要训练的参数。 这也是借鉴了矩阵分解的想法。 有n个特征，特征间的权重需要N*N的权重矩阵。 将该N*N的矩阵分解为K*N的矩阵v的乘积，则权重矩阵W=VT*V。 用长度为k的向量表示各特征。 在这里，每个特征的值都应该有向量，而不是向量。 例如，有一个长度为k的向量，表示性别这一特征。

这里的k是自己设置的，k

3、调频算法显示公式如下：

照这样计算的话，会变得N2的复杂，很贵。 然后，对后者的部分进行简并，使之成为KN复杂度的。

该部分的简化主要使用了x*y=1/2() xy (2- x2-y2 ) )。

转换后的东西是这样的：

4、然后调频培训。

看看调频培训的复杂性。 利用结构梯度(SGD )培训模式。 模型中每个参数的坡度如下

没有手续。 请读完论文后再写

参考资料： https://tech.meituan.com/deep-understanding-of-FFM-principles-and-practices.html