fm：推荐算法中的瑞士军刀

链接：https://zhuanlan.zhihu.com/p/343174108

排序是特征的意义，而召回是样本，特别是负样本的艺术

关注：样本选择、模型设计、上线部署

精排

• FM 特征交叉指的是两个特征的共现
  • 统计意义上的交叉：用户的tag和物料的tag之间的重合度
• 线上服务
  • 用户特征只需要抽取、计算一遍，在给多个 item 打分复用

召回

• 随机采样得到负样本
  • 曝光未点击能不能做为负样本？
• 打压热门 item
• 增强 hard negative
  • [[@Real-time Personalization using Embeddings for Search Ranking at Airbnb]]
    • 正样本同城的房间作为负样本
    • 被房主拒绝
• 模型迭代训练，上一个版本生成这个版本的 hard negative
• [[Pair Wise]] user与正样本item的匹配程度，要远远高于，user与负样本item的匹配程度
• BPR Loss $$sigmod(f(user, item_+) - f(user, item_-))$$
• 如何将 fm 公式转化成向量匹配

模型解释性

• [[GBDT]] 全局特征重要性
• FM 局部特征重要性
  • 特征重要性是客观存在的
  • 特征按 field 聚合得到 embedding，然后计算 field 之间的相关性

网络回响