FM(Factorization Machine)因式分解机

predictor 通用性 大规模稀疏问题(例如推荐系统) parametrization model parameter 线性 协同过滤任务
SVM 可以实现对任何实特征向量的通用预测 不能解决大规模稀疏问题，在超大规模数据下，SVM的复杂(非线性)核函数无法学习到可信的超平面参数 dense parametrization polynomial kernel nonlinear，优化时是dual form，且在计算model equation的时候依赖于训练数据(支持向量) plays no important role in settings like collaborative filtering
Factorization Methods 每一种因式分解方法都只针对特定的task，在建模or设计学习算法都是针对具体的task；输入数据的格式各异，无法解决标准的待预测数据(实值特征向量) - - - linear，在线性时间内计算完成
Factorization Machine(结合了SVM、Factorization Models的优点) 可以像SVM一样对实特征向量进行通用(general)预测 可以解决大规模稀疏问题 factorized parametrization nested variable interactions(类似SVM中的核函数) model equations可在线性时间内计算，只依赖线性数量的参数，可以直接对模型参数进行优化，不需要转化到dual form，且在存储用于预测的模型参数时不用额外存储任何训练数据(支持向量) 包含用于实现协同过滤任务的较为成功的方法：biased MF、SVD++、PITF、FPMC

xDeepFM

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容