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