优点
FM模型可以在非常稀疏的数据中进行合理的参数估计,而SVM做不到这点
在FM模型的复杂度是线性的,优化效果很好,而且不需要像SVM一样依赖于支持向量。
FM是一个通用模型,它可以用于任何特征为实值的情况。而其他的因式分解模型只能用于一些输入数据比较固定的情况。
与LR联系与区别
LR各个特征独立考虑,但实际上大量特征之间是有关联的,FM在LR的基础上引入(增加)组合特征。
对组合特征的参数估计引入辅助(隐)向量
FM模型可以在非常稀疏的数据中进行合理的参数估计,而SVM做不到这点
在FM模型的复杂度是线性的,优化效果很好,而且不需要像SVM一样依赖于支持向量。
FM是一个通用模型,它可以用于任何特征为实值的情况。而其他的因式分解模型只能用于一些输入数据比较固定的情况。
LR各个特征独立考虑,但实际上大量特征之间是有关联的,FM在LR的基础上引入(增加)组合特征。
对组合特征的参数估计引入辅助(隐)向量