# FM 与 FFM 特征交叉

## 元数据

- 书名：深度学习推荐系统
- 作者：王喆
- 章节：第2章 前深度学习时代
- 页码线索：33-39
- 目标岗位：AI PM / 推荐系统产品 / 算法工程师面试
- 优先级：P0
- 标签：fm, ffm, feature-cross

## 面试问题

FM 为什么适合推荐和广告场景？

## 30 秒回答

FM 用隐向量建模特征之间的二阶交叉，在高维稀疏场景下比直接交叉更可泛化。FFM 进一步引入 field 概念，让同一特征面对不同特征域时使用不同隐向量。

## 展开要点

- 推荐/广告特征通常高维、稀疏、类别多。
- 直接 one-hot 交叉参数爆炸，FM 用隐向量降低复杂度。
- FM 自动建模二阶交叉，是从人工交叉到表示学习的过渡。
- FFM 表达力更强，但参数量和训练成本更高。

## 高频追问

- FM 和矩阵分解有什么关系？
- FFM 中 field 的意义是什么？
- FM 的局限是什么？

## 项目映射

- 广告 CTR：用户年龄 x 广告类目 x 场景。
- AI 学习推荐：候选人背景 x JD 类型 x 知识卡主题。

## AI PM 迁移

FM 思想对应 AI PM 的结构化上下文交叉：用户、任务、内容、场景之间的组合决定结果。

## 备注

本卡为面试复习用的主题重构和答题框架，不保存原书正文。