软件学报

作者：燕彩蓉,周灵杰,张青龙,李晓林

单位：燕彩蓉，东华大学 计算机科学与技术学院, 上海 20162011,周灵杰，东华大学 计算机科学与技术学院, 上海 20162002,张青龙，计算机软件新技术国家重点实验室(南京大学), 江苏 南京 21002303,李晓林，Department of Electrical and Computer Engineering, University of Florida, Florida 32611, USA04

关键词：因子分解机;推荐系统;广告点击率预测;特征工程;深度学习;并行与分布式计算

基金：国家自然科学基金（61402100）；中央高校基本科研业务费专项资金（2232016D3-11）

因子分解机（factorization machine，简称FM）模型因为能够有效解决高维数据特征组合的稀疏问题且具有较高的预测精度和计算效率，在广告点击率预测和推荐系统领域被广泛研究和应用.对FM及其相关模型的研究进展进行综述，有利于促进该模型的进一步改进和应用.通过比较FM模型与多项式回归模型和因子分解模型之间的关联关系，阐述FM模型的灵活性和普适性.从特征的高阶交互、特征的场交互、特征的分层交互以及基于特征工程的特征提取、合并、智能选择和提升等角度，总结模型在宽度扩展方面的方法、策略和关键技术.比较和分析了FM模型与其他模型的集成方式和特点，尤其是与深度学习模型的集成，为传统模型的深度扩展提供了思路.对FM模型的优化学习方法和基于不同并行与分布式计算框架的实现进行概括、比较和分析.最后，对FM模型中有待深入研究的难点、热点及发展趋势进行展望.

来源：2019年第3期

《软件学报》期刊编辑部

查看软件学报杂志2019年第3期