CTR 预估算法之 FM，实践项目代码包 + 数据集奉上（附链接）

FM(Factorization Machine)主要目标是：解决数据稀疏的情况下，特征怎样组合的问题。该模型预测的复杂度是线性的。FM 不仅继承了过去协同过滤、矩阵分解、逻辑回归等算法的特点，而且是后来众多模型改进的基础。

而且 FM 还是一种比较灵活的模型，通过合适的特征变换方式，FM 可以模拟二阶多项式核的 SVM 模型、MF 模型、SVD++ 模型等。

相比 SVM 的二阶多项式核而言，FM 在样本稀疏的情况下是有优势的；而且，FM 的训练/预测复杂度是线性的，而二项多项式核 SVM 需要计算核矩阵，核矩阵复杂度就是 N 平方。

基于上述来说，FM 可以说是推荐系统工程师必会的模型了。但是现在网上相关的程序包也很多很杂，那么有什么方法可以帮助我们更好地理解 FM 模型吗？

七月在线现推出价值千元【FM 实战特训】课，给大家搞了 10 张免单券，全程共学社群答疑 + 实战项目带打，感兴趣的可以在文章末尾去兑换！

学完课程，你将获得

1、了解阿里 DIN 模型和分布式训练的相关技术;

• 本文地址：CTR 预估算法之 FM，实践项目代码包 + 数据集奉上（附链接）
• 本文版权归作者和AIQ共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出

2、掌握线性回归、矩阵分解、因子分解机的算法原理;

3、掌握 One-hot 编码、数据重编码、特征交叉的技术;

4、掌握模型效果提升的经验技巧;

5、实战基于 FM 的电影推荐系统;

6、实战基于 libfm 的电商 CTR 预估。

免单券：041A0D4B74

使用链接：https://www.julyedu.com/course/getDetail/353&from=AIQ

开课时间：4 月 22 日