论文笔记-Factorization Machines

因子分解机Factorization Machine的提出是对标SVM和矩阵分解，如SVD++、PITF、FPMC模型。

FM集成了SVM的优点，可以应用在任意的实值特征向量上。相比于SVM，FM可以通过分解参数对变量之间的交互建模，因此可以应用于数据稀疏的问题上，来对特征之间的交互进行估计，SVM在这类问题上没有很好的发挥。FM的计算时间可以优化到线性时间，因此FM可以直接优化。不同于对偶SVM，FM不用对原问题进行对偶求解，模型参数可以直接估计计算，不需要支持向量。

其他的分解方法，如矩阵分解、并行因子分析，或特定模型，如SVD++、PITF、FPMC。这些模型对于更general的问题不能很好的适用，而且对输入数据有特定的格式要求。而且，它们的求解和优化方法需要根据具体的问题来确定、推导。FM和它们相比，只是在输入数据上相似，但是更容音应用，而且不需要特定的先验知识。

FM

公式

对于二阶交叉特征来说，FM计算公式为：

其中，

vi表示V中由k个元素组成的第i行向量，k是一个决定特征向量维度的超参数；

w0表示全局的偏置；wi表示对应特征的权重参数；wij=<vi, vj>表示第i个、第j个特征的交叉值。FM不是直接用wij，而是用分解来对其进行建模，这正是FM可以用于高稀疏数据场景的关键。

优化

对于FM的交叉项来说，如果直接计算时间复杂度为O(k*n*n);但是我们可以对这个计算过程进行进一步的优化，将时间复杂度简化为O(k*n)。

这个过程相当于完全平方公式，我们只要交叉项，所以

,

在知道了FM的表达式之后，其中的参数可以借助于梯度下降方法进行求解。

应用

FM可以用于各种监督学习任务，比如

• 回归问题。FM的输出值作为预测；
• 二分类问题。FM的输出正负作为分类结果；
• 排序问题。根据FM的输出对x进行排序，使用pair-wise loss作为损失函数。

个人思考

FM的关键点在于使用分解向量来对交叉项系数进行建模；每个特征对应一个向量。使用这种方法建模，将xixj的关联关系打破，原来的建模wij系数的训练依赖于xixj样本，但对于非常稀疏的场景中，这样的数据是非常稀少的，就会导致wij学习不到，始终为0（初始化为0）；**使用分解建模后，将wij变为vi，vj；**而所有与xi发生交叉的特征样本都可以用来训练vi，vi能很好地训练，vj类似；这样通过<vi, vj>就可以得到wij，提升了模型的泛化能力。

vi、vj本质上也属于一种embedding方式。

对于推荐系统、计算广告来说，场景数据非常稀疏；此外，交叉特征对于模型的预测非常有帮助。比如，“男性”+“大学生”，对于“LoL”广告感兴趣的可能性会很大，发生点击的概率比“女性”+“白领”要大。

自己如何产生合理的idea？