FFM—线性回归

FFM公式模型:
在这里插入图片描述
基于隐式反馈:
c u i = 1 + α r u i c_{ui} = 1+\alpha r_{ui} cui=1+αrui
其中rui表示动作的频率,比如购买、加购物车、收藏、点击的次数,或者观看/收听视频/音频的时长等等,α是置信度系数,cui表示信任度,按照这种方式,我们存在最小限度的信任度,并且随着我们观察到的正偏向的证据越来越多,信任度也会越来越大。
FFM模型公式为:
c u i = w 0 + ∑ i = 1 n w i x i + ∑ i = 1 n ∑ j = i + 1 n < v i , f j , v j , f i > x i , x j c_{ui} = w_0+\sum_{i=1}^{n}w_ix_i+\sum_{i=1}^{n}\sum_{j=i+1}^{n}<v_{i,f_j},v_{j,f_i}>x_i,x_j cui=w0+i=1nwixi+i=1nj=i+1n<vi,fj,vj,fi>xi,xj

回归问题:最小均方误差:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

双线性FFM:

梯度下降:三种:ss w = w − α ∑ 1 m ( g r a d e n t + λ ∣ w ∣ ) w = w-\alpha\sum_{1}^{m}(gradent+\lambda|w|) w=wα1m(gradent+λw)

你可能感兴趣的:(机器学习)