最新消息:20210816 当前crifan.com域名已被污染,为防止失联,请关注(页面右下角的)公众号

【整理】FM算法=分解机算法=Factorization Machines算法

算法 crifan 276浏览 0评论
理解Word Embedding,全面拥抱ELMO-InfoQ
-》
FM算法
FM算法解析 – 知乎
FM算法详解 – bitcarmanlee的博客 – CSDN博客
CTR预估算法之FM, FFM, DeepFM及实践 – JohnSon – CSDN博客
DeepFM: A Factorization-Machine based Neural Network for CTR Prediction
分解机(Factorization Machines)推荐算法原理 – 刘建平Pinard – 博客园
Factorization Machines 学习笔记(二)模型方程 – peghoty – CSDN博客
深入FFM原理与实践 – 美团技术团队
DSP、SSP、RTB 是怎样的一个过程? – 知乎
FM算法原理分析与实践 | D.W’s Notes – Machine Learning
能用通俗的语言解释下DSP和DMP的广告吗? – 知乎
What Is a DSP? Demand Side Platform – DSP Vs. DMP
DSP vs DMP vs DMP-DSP Hybrid: What’s the difference?
 
【总结】
FM=Factorization Machine
  • 应用场景:
    • 广告领域=推荐系统
      • 点击预估
  • 背景
    • 准确的估计CTR(Click-Through Rate)、CVR 对于提高流量的价值,增加广告收入有重要的指导作用
      • CTR
        • 点击率是广告点击次数除以总展示次数(广告投放次数)
        • 具体数值
          • 常见:0.2 ~0.3%
          • 非常成功:>2%
    • 广告领域
      • 相关名词
        • DSP=Demand-Side Platform=需求方平台:买家端
          • =程序化购需求方平台
          • -》互联网广告
        • SSP=Sell-Side Platform=销售方平台:卖家端
        • RTB=Real-Time Bidding=实时竞价
        • DMP=Data Management Platform
          • 手中握有受众数据,并能让 DSP 驳接到他们
            • 利用它们所有的数据。使投放更为精准
        • -》对比:
          • DSP vs DMP
            • 图解
            • 类别
              • 本草纲目=DMP
              • 专业药材买手=DSP
            • 特殊:混合型
      • 相关玩家
        • 生态
        • 关系
        • 流程
  • 具体方法
    • 业界常用方法
      • 人工特征工程 + LR(Logistic Regression)
      • GBDT(Gradient Boosting Decision Tree)+ LR
      • FM(Factorization Machine)
      • FFM(Field-aware Factorization Machine)
      • Deep FM
    • 近年来表现突出的
      • FM和FFM
    • 对于CTR预估
      • 除了:单特征
        • 往往要:对(相关)特征进行组合
          • 背景
            • 举例
              • 相关性高
                • “USA”与“Thanksgiving”
                • “China”与“Chinese New Year”
                • <“化妆品”类商品,“女”性>
                • <“球类运动配件”的商品,“男”性>
                • <“电影票”的商品,“电影”
          • 通用做法有两大类:
            • FM系列
            • Tree系列
  • FM(Factorization Machine)
    • 目的:
      • 解决稀疏数据下的特征组合问题
    • 用途
      • 广泛应用于广告推荐等CTR预估场景
    • 优点
      • 高度稀疏数据场景
        • SVM:不能
      • 具有线性的计算复杂度
        • SVM依赖于support vector
      • 可对任意的实值向量进行预测
    • 缺点
      • 特征之间两两组合容易导致维度灾难
      • 组合后的特征未必有效,可能存在特征冗余现象
      • 组合后特征样本非常稀疏
        • 如果原始样本中不存在对应的组合,则无法学习参数,那么该组合就显得无效
    • 数据结构
    • 学习算法种类
      • 随机梯度下降法=SGD=Stochastic Gradient Descent
      • 交替最小二乘法=ALS=Alternating Least-Squares
      • 马尔可夫链蒙特克罗法=MCMC=Markov Chain Monte Carlo

转载请注明:在路上 » 【整理】FM算法=分解机算法=Factorization Machines算法

与本文相关的文章

发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
86 queries in 0.142 seconds, using 20.29MB memory