推荐系统----FM原理与实现

英文原文链接：http://nowave.it/factorization-machines-with-tensorflow.html

因子分解机（Factorization Machine, FM）是由Steffen Rendle提出的一种基于矩阵分解的机器学习算法，其主要用于解决数据稀疏的业务场景（如推荐业务），特征怎样组合的问题。

问题描述：预测电影评分

实现思路：通过特征描述实现对电影评分的预测，对电影特征进行one-hot编码，然后通过线性模型训练参数，当新的item出现时，代入线性模型得到电影评分。

1）one-hot编码

2）普通线性模型，y是预测评分，w是第i个参数，xi是第i个特征

3）普通线性模型只考虑单个属性，忽略了多个属性之间的关系，在FM模型中，考虑了特征之间的关联，所以相比线性模型，多了后面特征组合的部分

4

4)（3）在计算wij时要计算一个矩阵W，需要计算n（n-1）个变量，在数据稀疏时计算困难，引入辅助向量V

W = V * V^T

实际计算时

具体实现

1）one-hot编码后的形式，将特征中的每一种属性及其取值的组合列出，根据每一个物品给与参考值。