FM
自动特征交叉，解决特征稀疏
FM 与其他模型对比
- 可以模拟二阶多项式核的 [[SVM]]、MF、SVD++
- [[SVM]] 训练和预测需要计算核矩阵，核矩阵的复杂度是 N 方
- MF 扩展性没有 FM 好，只有 u 和 i 两类特征
与 [[SVM]] 对比
- 二阶多项式内核 SVM 二元交叉特征 wij 相互独立
- fm 参数 nk，svm 参数 nn，更适合大规模稀疏特征，泛化能力更强
- 核方法需要计算核矩阵
- 样本 → FM 预测和训练样本独立，SVM 和支持向量有关
- FM {{c1 在原始形式下}} 进行优化学习，非线性SVM通常需要在 {{c1 对偶形式}} 下进行
交叉项需不需要乘 value ？
- eta 放到 xi 和 xj 泛化能力不好
FM 如何加入 index embedding？
对比 FM 和 SVM 有什么区别？
- 特征角度 → ((6302f9ee-9149-431f-9d5d-e56e83182c1e))， ((6302f9ee-11be-4f7a-9cf9-26400d6d4601))
为什么要用 FTRL 优化 FM #card
- FTRL 是 SGD 算法，离线调参，减少线上风险
- 稀疏特征， ((6302f9ef-36a2-4bea-a935-0d18c250125f))
- 不同特征有不同的学习速度、收敛速度快