FM简介
解决的问题：
1、特征组合问题
传统的特征组合是在原始特征的基础上进行横向和纵向的分析，尽管对模型的准确率有一定的提高，但是由于人为组合的成分比较多，且人脑的存储和精力有限，还是不能很好的挖掘特征间的深层关系。
FM(Factor Machine)因子分解机，因子分解机在对特征进行组合时，不仅考虑了特征间的线性组合，还考虑了特征间的交叉组合。
2、数据稀疏问题
数据稀疏问题主要是由，对原始特征进行one-hot编码造成的。数据稀疏对模型训练的影响：一个是训练时间长；另一个是模型准确率不高。
FM在进行特征组合之前，要对稀疏数据进行Embedding处理，Embedding可以将one-hot编码之后的数据统一到相同的维度。这是一个由高维稀疏向低维稠密的转变。
一、FM的网络结构图
二、FM的网络结构介绍
1、Sparse Features
Input：Field 1......Field N是对原始数据进行one-hot编码以后的数据，所以数据比较稀疏。
2、Dense Embeddings
Embedding的网络结构图
将Sparse Features部分的输出输入到Embedding层，可将高维稀疏数据转化为低维稠密的数据。这样相当于变相的提取Sparse Features中的重要特征。
Embedding层的特点：1、尽管输入特征的长度不同，但是输出的长度都一样；2、Embedding层的参数其实是全连接的Weights。
3、FM Layer
FM Layer的输入包括：Sparse Features部分的输出和Dense Embeddings层的输出。
FM Layer的输出包括Inner Product（内积）和Sparse Features部分的输出的线性变换。
FM的公式：
进一步展开
内积举一个简单的例子：
下面对非线性部分的公式进行化简。
化简后该部分的复杂度由O（knn）变为O（k*n）。
非线性部分的化简主要利用的原理是：
4、Output Units
