今天簡介因數分解機 Factorization Machines （FM）

傳統機器學習問題遇到的問題

1. 一般機器學習演算法，只考慮特徵向量要如何給權重。但特徵之間也會互相影響，這些並沒有被表達出來。
2. logistics regression algorithm model 使用的是線性組合，這只能處理線性問題，但若我們的問題是非性的，就功用有限。

為什麼回歸問題要考慮特徵之間的相關性呢？

1. 因為特徵間並不是互相獨立的，經過實際資料分析，特徵之間的相關度，對事件結果的發生會產生很大的影響。
2. 若能將特徵之間的相關性做為推薦時的參考資料，就可以提高推薦的準確度。

Factorization Machines （FM）

1. Steffen Rendle等人於2010年提出，是基於矩陣分解的機器學習演算法。
2. 是一種通用的預測器，即使在 SVM 失效的推薦系統中，FM 透過計算出特徵間的交互性，進而找出要推薦的東西。
3. 該模型結合了支援向量機（SVM）和因數分解模型的優點。

FM 的優點

1. SVM 對於稀疏矩陣很難做出好的預測，但 FM 可以做到。
2. 補足了線性回歸模型沒有考慮特徵間關係的弱點。

FM 的影響

此演算法也影響了後面許多推薦演算法，如 FFM 、 DeepFM 等，都是他的改進或精神延伸。所以這算是學習推薦演算法中，一定要了解的演算法。