FM和FFM原理
大家好，又见面了，我是你们的朋友全栈君。
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+1nwijxixjy(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1nwijxixj
其中 xixi 表示第i列特征， nn 表示特征数， w0,wi,wijw0,wi,wij 为模型参数。模型参数为 n2n2 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 wijwij 的梯度值为0，那么参数 wijwij 的值就不准确，会影响模型的效果。 FM模型，将参数 wijwij 对应的矩阵 WW ，利用矩阵分解表示为 W=VTVW=VTV , 矩阵 VV ∈Rk×n∈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>xixjy(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)O(kn2) 降低为 O(kn)O(kn) ：
∑i=1n∑j=i+1n<vi,vj>xixj=12∑f=1k((∑i=1nvi,fxi)2−∑i=1n(vi,fxi)2)∑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>xixjy(x)=w0+∑i=1nwixi+∑i=1n∑j=i+1n<vi,fj,vj,fi>xixj
其中 fifi 表示特征i所属的field，需要训练的 VV 为 n×k×fn×k×f , ff 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)O(kn2)
参考文献
转自：https://blog.csdn.net/Leo00000001/article/details/71330927?locationNum=13&fps=1
发布者：全栈程序员栈长，转载请注明出处：https://javaforall.cn/143838.html原文链接：https://javaforall.cn