【整理】FM算法=分解机算法=Factorization Machines算法

• 应用场景：
• 广告领域=推荐系统
• 点击预估
• 背景
• 准确的估计CTR(Click-Through Rate)、CVR 对于提高流量的价值，增加广告收入有重要的指导作用
• CTR
• 点击率是广告点击次数除以总展示次数（广告投放次数）
• 
• 具体数值
• 常见：0.2 ~0.3%
• 非常成功：>2%
• 广告领域
• 相关名词
• DSP=Demand-Side Platform=需求方平台：买家端
• =程序化购需求方平台
• -》互联网广告
• 
• SSP=Sell-Side Platform=销售方平台：卖家端
• RTB=Real-Time Bidding=实时竞价
• DMP=Data Management Platform
• 手中握有受众数据，并能让 DSP 驳接到他们
• 利用它们所有的数据。使投放更为精准
• 
• -》对比：
• DSP vs DMP
• 图解
• 
• 类别
• 本草纲目=DMP
• 专业药材买手=DSP
• 特殊：混合型
• 
• 相关玩家
• 生态
• 
• 关系
• 
• 
• 
• 流程
• 
• 具体方法
• 业界常用方法
• 人工特征工程 + LR（Logistic Regression）
• GBDT（Gradient Boosting Decision Tree）+ LR
• FM（Factorization Machine）
• FFM（Field-aware Factorization Machine）
• Deep FM
• 近年来表现突出的
• FM和FFM
• 对于CTR预估
• 除了：单特征
• 往往要：对（相关）特征进行组合
• 背景
• 举例
• 相关性高
• “USA”与“Thanksgiving”
• “China”与“Chinese New Year”
• <“化妆品”类商品，“女”性>
• <“球类运动配件”的商品，“男”性>
• <“电影票”的商品，“电影”
• 通用做法有两大类：
• FM系列
• Tree系列
• FM（Factorization Machine）
• 目的：
• 解决稀疏数据下的特征组合问题
• 用途
• 广泛应用于广告推荐等CTR预估场景
• 优点
• 高度稀疏数据场景
• SVM：不能
• 具有线性的计算复杂度
• SVM依赖于support vector
• 可对任意的实值向量进行预测
• 缺点
• 特征之间两两组合容易导致维度灾难
• 组合后的特征未必有效，可能存在特征冗余现象
• 组合后特征样本非常稀疏
• 如果原始样本中不存在对应的组合，则无法学习参数，那么该组合就显得无效
• 数据结构
• 
• 学习算法种类
• 随机梯度下降法=SGD=Stochastic Gradient Descent
• 交替最小二乘法=ALS=Alternating Least-Squares
• 马尔可夫链蒙特克罗法=MCMC=Markov Chain Monte Carlo

转载请注明：在路上 » 【整理】FM算法=分解机算法=Factorization Machines算法