引入了field的概念,核心目標(biāo)在于,很多時(shí)候沒有必要衡量任意兩個(gè)小特征的關(guān)系,而只需要衡量小特征和每個(gè)field之間的關(guān)系,這樣能一定程度降低稀疏性,提升隱向量的實(shí)際含義和泛化能力,隱向量的個(gè)數(shù)確實(shí)大大縮小,但是field的個(gè)數(shù)卻也有關(guān),因此不好說誰的復(fù)雜度高了,和實(shí)際問題有關(guān),可以說的是,其實(shí)在FFM作者的實(shí)驗(yàn)中,F(xiàn)FM的提升相比FM并不多。
----------------------
你對(duì)FFM的理解不是很合理, 實(shí)際上FFM用更多的參數(shù)去學(xué)習(xí)更精細(xì)的特征交互, 參數(shù)量更大,復(fù)雜度更高.
R&S | 深度討論FM和FFM:不僅是推薦我看到很多人都已經(jīng)寫過有關(guān)FM(Factorization Machine)和FFM(Field-aware Factorization Machine)模型的原理和實(shí)現(xiàn)方法...