FM和FFM原理

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+1nwijxixj

其中 xi 表示第i列特征， n 表示特征数， w0,wi,wij 为模型参数。模型参数为 n2 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 wij 的梯度值为0，那么参数 wij 的值就不准确，会影响模型的效果。
FM模型，将参数 wij 对应的矩阵 W ，利用矩阵分解表示为 W=VTV , 矩阵 V ∈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>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) 降低为 O(kn) ：

∑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>xixj

其中 fi 表示特征i所属的field，需要训练的 V 为 n×k×f , f 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)

参考文献

1. http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html
2. ffm源码git