模型用途
FM和FFM，分解机，是近几年出的新模型，主要应用于广告点击率预估（CTR），在特征稀疏的情况下，尤其表现出优秀的性能和效果，也数次在kaggle上的数据挖掘比赛中拿到较好的名次。
FM原理
特征编码时常用的one-hot编码，会导致特征非常稀疏（很多0值）。常用的特征组合方法是多项式模型，模型表达式如下：
y(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1nwijxixj
其中
xi表示第i列特征，
n表示特征数，
w0,wi,wij为模型参数。模型参数为
n2个。在对模型进行训练时，采用SGD(随即梯度下降)，由于特征较稀疏，大部分
wij的梯度值为0，那么参数
wij的值就不准确，会影响模型的效果。
FM模型，将参数
wij对应的矩阵
W，利用矩阵分解表示为
W=VTV, 矩阵
V∈Rk×n, 可以通过调节k来调节模型的泛化能力。
FM模型则表示为：
y(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,vj>xixj
模型参数减少为kn个。训练方法还是采用SGD，在预测时，可以通过下式将计算复杂度从
O(kn2)降低为
O(kn)：
∑i=1n∑j=i+1n<vi,vj>xixj=12∑f=1k((∑i=1nvi,fxi)2−∑i=1n(vi,fxi)2)
FFM 原理
FFM模型是在FM特征组合的基础上给特征加上了field属性，于是模型表示为
y(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,fj,vj,fi>xixj
其中
fi表示特征i所属的field，需要训练的
V为
n×k×f,
f为field的个数，具体案例见
ppt
由于FFM加入field，使得训练和预测过程参数计算不能简化，复杂度为
O(kn2)
参考文献
- http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html
- ffm源码git
