1.2 基于特征的推荐 (Feature-based Recommendation)
协同过滤只考虑用户与物品的交互历史，本质上是用ID表示一个用户或物品。基于特征的推荐方法旨在融合各种其他辅助信息，以提高推荐的准确度。该类算法将用户(ID及其属性)、物品(ID及其属性)和上下文信息统一表示为特性向量作为输入，用于预测目标评分值。图3为一个输入数据表示的实例。
在将数据表示为特征向量到目标值的映射之后，传统的有监督学习算法，如逻辑回归、神经网络或支持向量机可以直接使用。但数据高度稀疏的问题使得这些传统机器学习方法效果较差——在对用户ID和物品ID等类别变量进行了one-hot 编码之后，特征向量的维度较高且稀疏。为了解决该问题，受矩阵分解思想（在隐空间中以向量内积的方式建模实体之间的交互）的启发，Rendle于2010年提出了分解机模 型（Factorization Machine，FM）[15,26]。FM将特征向量中的每一个特征表示成一个隐向量，在隐空间中考虑所有非零特征之间的交互
实际上，FM可以看作是一种浅层的神经网络[27]和表征学习（representation learning）的方法，与近年来流行的分布式表示模型思想一致[28]。与FM类似的浅层线性模型还有SVDFeature[29]和Field-aware FM[30]等；其他常用的基于特征的推荐方法还有基于张量[31]和图[8]的建模方式，这里不展开介绍。
