摘要：
参考（推荐）： https://mathpretty.com/12065.html 阅读全文
摘要：
参考（推荐）：https://blog.csdn.net/w55100/article/details/90295932 要点： 其中的计算优化值得注意 K代表隐向量维数 n可以代表离散值one-hot后的全部维数（一般这样理解），也可以是n个field，每个域中取xi不为0的数（因为在使用fm1和 阅读全文
摘要：
推荐参考：（知乎） https://zhuanlan.zhihu.com/p/37963267 要点理解： 1.fm应用场景，为什么提出了fm（和lr的不同点） ctr预测，特征组合，fm的隐向量分解，lr的二次项 2.fm的两个好处 第一，为什么在数据稀疏情况下有效？ （1）首先来说数据稀疏，是因 阅读全文