context-aware的假设是用户在点击/购买商品的时候，会抽到当时一些额外信息影响。
比如独立的上下文：时间、地点、天气……
用户的上下文：用户上一次点击/购买的SKU/品类，上一次点击/购买距离此刻的时间间隔……
商品的上下文：商品当时的价格，促销标示，在APP的哪类页面上显示……
在优化购买的场景下，独立上下文对“到家”的重要性，要远大于主站。原因是，用户在到家下单时的上下文，与用户收单时的上下文，非常接近：时间2小时以内，地点下单位置基本就是收单位置（不完全是，需要按距离判断）
Factorization Machine：
![][1]
[1]: http://latex.codecogs.com/svg.latex?\hat{y}(x):=w_0+\sum_{i=1}{n}w_{i}x_{i}+\sum_{i=1}{n}\sum_{j=i+1}^{n}\hat{w}{i,j}x{i}x_{j}
其中
![][2]
[2]: http://latex.codecogs.com/svg.latex?\hat{w}{i,j}:=\langle&v_i,v_j\rangle=\sum{f=1}^{k}v_{i,f}\cdotv_{j,f}
w_0是全局的偏差，w_i是第i个参数对目标的影响，w_{i,j}是一对特征(i,j)对目标的影响。
FM的计算复杂度是O(k*m(x))。
加L2正则：
![][3]
[3]: http://latex.codecogs.com/svg.latex?RLS-OPT=\sum_{(x,y)\in&S}(\hat{y}(x)-y)2+\sum_{\theta\in\Theta}\lambda_{(\theta)}\theta2
实践中我们对w_i和v_{i,f}分别用不同的正则项。
最常用的优化方法是ALS，相比SGD，省去了选择学习率的步骤。
