FM实战特训 第2期 推荐系统高级小班预习课之一

这是一门以 FM（因子分解机）为主线的推荐系统实战课，但需要先说清楚：它叫「预习课」，属于高级小班的入场准备环节，不是从零讲推荐系统的通识课。如果你的基础还停留在「知道协同过滤大概是怎么回事」，直接跟这门课会比较吃力。它更适合已经写过推荐相关代码、能看懂特征工程与模型评估流程的人，用来把 FM 这条技术线补扎实。

它解决的是哪个具体工作场景

推荐系统在真实业务里最头疼的不是「选哪个模型」，而是稀疏特征怎么处理、特征交叉怎么建模、离线指标涨了线上却没动静。这门课把场景收在两个典型业务上：电影推荐和电商推荐。前者特征维度相对可控，适合把 FM 的数学形式和训练流程讲透；后者涉及用户行为序列、商品侧特征、冷启动等更杂的问题，用来暴露模型在真实数据上的局限。学完之后，你至少能对着一个中等规模的推荐需求，判断该不该上 FM、特征该怎么组织、离线评估该看哪几个指标。

学完能独立做什么

• 用 FM 搭一个可跑的推荐 baseline，并解释清楚二阶交叉项在业务上对应什么
• 针对电影、电商两类数据做特征处理，包括类别特征编码、稀疏矩阵构造
• 读懂 FM 与 LR、MF、FFM 之间的关系，知道各自适用的边界
• 在离线实验里对比不同特征组合对效果的影响，而不是盲目调参

注意，这门课不承诺你学完就能独立负责一条推荐业务线。它解决的是「FM 这一块我讲不清楚、写不利索」的问题，属于打地基，不是包装简历的项目速成。

资料适合什么基础的人

预习资料偏理论推导和代码对照，不配保姆级环境搭建教程。你需要能自己跑通 Python，看得懂基本的矩阵运算，最好接触过 sklearn 或某个深度学习框架。如果连 AUC、召回率、特征哈希这些词都要现查，建议先补一轮推荐系统入门内容再回来。反之，如果你已经用过 GBDT+LR 做排序、想搞清楚 FM 在特征交叉上到底强在哪，这门预习课的信息密度是够的。

怎么用这份资料

别按顺序从头读到尾。先看电影推荐那部分，把 FM 的公式和代码对上号，自己手推一遍二阶项；再去碰电商场景，重点看特征工程部分，那里才是真正拉开差距的地方。遇到推导卡壳的地方先跳过，带着问题去小班课上问，比提前死磕效率高。小班的价值在于互动和个性化答疑，预习课的作用是让你带着具体问题进课堂，而不是空着脑子去听。