FM

ROC

receiver operating characteristic curve，曲线上这些点代表着一个分类器在不同阈值下的分类效果

FM就是用embedding代替weight，在不依赖全部的共现信息的前提下建模feature interactions。

在理解FM之后，模型结构也比较好懂。sparse feature是指训练集raw feature经过处理之后的特征，比如one-hot，离散化等处理。

本文和wide & deep的区别是不需要FM的预训练和各种人造特征，可以直接端到端学习低秩和高秩的特征，相当于特征更全面。