传统：大量特征工程FM：使用隐向量内积来建模组合特征，利用MF解决了数据稀疏的情况下的特征组合问题深入理解FFM原理与实践FFM：在FM的基础上引入了field的概念，在不同的field上使用不同的隐向量深入理解

矩阵分解作用很多：矩阵填充（通过矩阵分解来填充原有矩阵，如als就是填充原有矩阵），清理异常值与离群点，降维，压缩，个性化推荐，间接的特征组合（计算特征件相似度）——————————————————————————————————————————矩阵分解方法：特征值分解：分解为一个特征向量矩阵与特征值（对角矩阵）————————————svd分解（奇异值分解）：X=USV⊤对角阵S对角线上的元素是

FFm

1.FFM(FieldFactorialMachine)FM的出现是为了解决为了得到交叉特征信息而设计的二阶多项式模型，在二阶多项式模型中，特征组合信息是直接暴力组合在假设中的，如下式所示：然而，在这样的假设中

点击率CTR（click-throughrate）和转化率CVR（conversionrate）是衡量广告流量的两个关键指标。准确的估计CTR、CVR对于提高流量的价值，增加广告收入有重要的指导作用。预估CTR/CVR，业界常用的方法有人工特征工程+LR(LogisticRegression)GBDT(GradientBoostingDecisionTree)+LR(LogisticRegress

x264是目前使用最广泛、效率最高的h264编码库，著名的音视频处理库ffm

推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM模型理论和实践

0.Reference美团FFM:https://tech.meituan.com/2016/03/03/deep-understanding-of-ffm-principles-and-practices.htmlCMUpdf

FFm

原文本文主要介绍CTR预估中常用的一些模型，主要是非深度学习模型，包括LR、GBDT+LR、FM/FFM、MLR。每个模型会简单介绍其原理、论文出处以及其一些开源实现。

1.CTR预估算法现状及进展之前也看过CTR预估算法，大部分都是LR、FM、FFM、GBDT互相堆叠，在现实中看到还有先利用LR做多维embedding，然后再加上图像CNN特征再做LR。

在FFM算法编码之前突然考虑到标准化的问题，例如大多数的属性都是0-1，出现的部分连续属性比如价格可能会很大，这些的情况会不会影响FFM的结果。

FFm

知乎，讲解的比较好https://zhuanlan.zhihu.com/p/37963267算法理论：https://www.cnblogs.com/AndyJee/p/7879765.htmlFM/FFM

JAVE简介简单的说，JAVE是对ffm

下载并在终端中运行脚本编译ffmpeg脚本参考git上的：https://github.com/kewlbear/FFmpeg-iOS-build-script；终端进入刚刚下载后的脚本文件夹下，运行sh：build－ffm

然后查看可用设备名字：ffm

ItemCF的应用场景2.6协同过滤的下一步发展3矩阵分解算法-协同过滤的进化3.1矩阵分解算法原理3.2矩阵分解的求解过程3.3消除用户和物品的打分偏差3.4矩阵分解的优点与局限性4逻辑回归5从FM到FFM

推荐算法1、基于内容的推荐2、基于近邻的推荐（协同过滤）3、基于矩阵分解的隐语义模型（LFM,FM,FFM）4、word2vec在推荐中的应用基于内容的推荐常用于和文本有关的推荐。

因为刚刚才开始入门，有时间就把日常学习中知识整理了一下，在此很感谢我两个朋友FFM-g，志伟；文件包含/目录遍历漏洞直接执行代码的函数：Eval()、assert()、system()、exec()、shell_exec

ffmpegsudoadd-apt-repositoryppa:kirillshkrogalev/ffmpeg-nextsudoapt-getupdatesudoapt-getinstallffmpeg2.安装ffm

一、开发前的准备工作(详见上章节)开发工具为Qt5.10.1，目录结构：bin:工作和测试目录doc:开发文档目录src:源码目录include:ffmpeg头文件配置目录lib:ffm

此文参考以下两篇文章ffm

FM的变形，FFM（fieldawarefactorizationmachines）在一些世界级CTR预估竞赛中取得了非常好的效果。

dict,"movflags","faststart",0);示例（obs->ffmpeg-mux.c）staticinlineintopen_output_file(structffmpeg_mux*ffm

参考文献1.FM系列算法解读（FM+FFM+DeepFM）2.深入FM和FFM原理与实践3.CTR学习笔记系列——FM和FFM4.FM算法及FFM算法5.

www.cnblogs.com/acloud/archive/2011/11/04/ffmpeg.htmlhttp://blog.csdn.net/professorsheep/article/details/6254467编译ffm

下面有几篇草稿是关于这次的编译的，当然，既然是草稿是没必要看的---除非你希望知道编译过程中起码有哪些坑位：[运维]ubuntu等linux下编译配置ffmpeg以供c++调用[草稿][运维]ubuntu等linux下编译配置ffm

ffmpeg.exe的路径///staticstringFFmpegPath=@"C:\Users\Downloads\ffmpeg-20180613-67747c8-win64-static\bin\ffm

libtheora-1.1.1组件编译安装方法及一键shell脚本ffmpeg之libvorbis-1.3.6组件编译安装方法及一键shell脚本ffmpeg之libvpx-1.7.0编译安装方法及一键shell脚本ffm

不久后，FM的升级版模型场感知分解机（Field-awareFactorizationMachine，简称FFM）由来自Yu-ChinJuan（阮毓钦，毕业于中国台湾大学，现

三、下载FFMPEG源码进入windows命令行，在C:\FFMPEG目录下执行：gitclonegit://source.ffmpeg.org/ffmpeg.git//这里有ffm

可以使用ffm

2.干货1.源码版本：ffmpegversion:3.2.12.Makefile分析分析FFMPEG的MAKEFILE时发现，FFM

www.csie.ntu.edu.tw/~r01922136/kaggle-2014-criteo.pdflibffmppthttp://www.csie.ntu.edu.tw/~r01922136/slides/ffm.pdflibffm

list="法兰克福,50.3.75.98,http://ffm.lg.virmach.com/100MB.test水牛城,107.173.176.5,http://ny.lg.virmach.com/

IBFFMisalibraryforfield-awarefactorizationmachine.Fortheformulationitsolves,pleasecheck:http://www.csie.ntu.edu.tw/~r01922136/slides/ffm.pdfTableofContents

  回顾上一节说的FM模型https://www.jianshu.com/p/b63c05758b2a，同样假设我们的样本有个，维度是，经过ont-hot或者multi-hot之后的维度是feature_size=维。则二阶项实际上是如下的表达式：当然实际上我们不这样求解，因为一般很大，这也就解释了上节为何我们要进行一个简化，由下式也很容易看出，比如很多计算是不必要的，因为ont-hot或者mul

欢迎关注天善智能，我们是专注于商业智能BI，人工智能AI，大数据分析与挖掘领域的垂直社区，学习，问答、求职一站式搞定！对商业智能BI、大数据分析挖掘、机器学习，python，R等数据领域感兴趣的同学加微信：tsaiedu，并注明消息来源，邀请你进入数据爱好者交流群，数据爱好者们都在这儿。本文来自天善智能社区专栏作者[wenwen](https://ask.hellobi.com/people/%E

/init-ios.sh执行脚本，自动下载ffm

pngPC端FFMPEG开发环境搭建笔者是在Windows1064+VisualStudio2017的环境下开发的下载和安装VisualStudio2017去官网下载和安装就可以在项目中配置FFMPEG下载FFM

全能的FM（FactorizationMachines）/FFM（Field-awareFactorizationMachine）背景：FM和FFM模型凭借其在数据量比较大并且特征稀疏的情况下，仍然能够在推荐系统

1、FFM理论在CTR预估中，经常会遇到one-hot类型的变量，one-hot类型变量会导致严重的数据特征稀疏的情况，为了解决这一问题，在上一讲中，我们介绍了FM算法。

DeepFM模型理论和实践推荐系统遇上深度学习系列：推荐系统遇上深度学习(一)--FM模型理论和实践：https://www.jianshu.com/p/152ae633fb00推荐系统遇上深度学习(二)--FFM

大五人格五因素人格（FiveFactorModel，FFM)，也称大五人格模式（BIG5）是重要的人格理论模式。

JAVA学习笔记--垃圾收集器一、概述参考：http://blog.csdn.net/ffm83/article/details/42873001javaGC参数描述新生代GC方式老年代和持久代GC方式

它主要用作各种FFm

CTR学习笔记系列的第一篇，总结在深度模型称王之前经典LR，FM,FFM模型，这些经典模型后续也作为组件用于各个深度模型。

准备工作搭建AndroidStudioNDK开发环境编译FFm

ItemCF\FP-Growth\规则等方式召回排序(精排)1期：根据不同推荐位通过不同的模型得到推荐结果2期：将推荐的所有结果通过Ctr或Cvr预估结果进行排序GBDT\LR\GBDT+LR\FM()\FFM