在推荐领域CTR（click-through rate）预估任务中，最常用到的baseline模型就是LR（Logistic Regression）。

对数据进行特征工程，构造出大量单特征，编码之后送入模型。这种线性模型的优势在于，运算速度快可解释性强，在特征挖掘完备且训练数据充分的前提下能够达到一定精度。但这种模型的缺点也是较为明显的：

模型并未考虑到特征之间的关系 。在实践经验中，对特征进行交叉组合往往能够更好地提升模型效果。

对于多取值的categorical特征进行one-hot编码，具有高度稀疏性，带来维度灾难问题。

FM（Factorization Machine）模型就是针对在特征组合过程中遇到的上述问题而提出的一种高效的解决方案[1]。

由于FM优越的性能表现，后续出现了一系列FM变种模型，从浅层模型到深度推荐模型中都有FM的影子。

本文给大家推荐七月在线价值千元的FM特训实战课程，从原理到实战深刻理解FM模型，全程社群答题，提供代码和课件下载，100%实战项目，扫码了解课程详情：