因子分解机FM原理及SGD训练

版权声明：如需转载，请注明出处http://blog.csdn.net/a819825294

目录(?)[-]

1. 背景
2. 模型
3. 用途
4. 交叉项系数
5. SGD求解参数

1.背景

Steffen Rendle于2010年提出Factorization Machines（下面简称FM），并发布开源工具libFM。FM的提出主要对比对象是SVM，与SVM相比，有如下几个优势 
（1）对于输入数据是非常稀疏（比如自动推荐系统），FM可以，而SVM会效果很差，因为训出的SVM模型会面临较高的bias。 
（2）FMs拥有线性的复杂度, 可以通过 primal 来优化而不依赖于像SVM的支持向量机。

2.模型

2-way FM(degree = 2)是FM中具有代表性，且比较简单的一种。就以其为例展开介绍。其对输出值是如下建模

其中，，，，n表示特征维度 
表示两个大小为k的向量和的点积

k是定义factorization维度的超参数，是正整数 
因子分解机FM也可以推广到高阶的形式，即将更多互异特征分量之间的相互关系考虑进来。

3.用途

（1）回归问题(Regression)：可以采用最小均方误差作为优化的标准（深入理解可以从高斯分布、极大似然估计入手） 
（2）二分类问题(Binary Classification)：利用sigmoid函数。详细原因见 地址 
（3）排序(Ranking)

4.交叉项系数

（1）示例 
样本数据 

FM交叉项系数 

（2）求解 
表面上看FM模型的第3项的计算复杂度为O(kn^2)，但其实可以经过简单的数学处理，计算复杂度降为O(kn)。

数学原理：主要是采用了如公式((a+b+c)2−a2−b2−c2求出交叉项

5.SGD求解参数

本文利用随机梯度下降SGD进行参数学习，也是一种简单的在线学习方法。

随机梯度下降与梯度下降主要差别在于batch size不一样

注：大家可以根据自己需要定义Loss Function，通过梯度下降得到参数更新的公式

最初的V通过正态分布的形式给出 
所示代码是通过简单的似然估计进行二分类从而进行参数更新 

后续会更新利用FTRL训练FM

参考文献 
（1）Steffen Rendle.Factorization Machines 
（2）Steffen Rendle.Factorization Machines with libFM 
（3）http://tech.meituan.com/deep-understanding-of-ffm-principles-and-practices.html