该论文提出了一种称为 Field-weighted Factorization Machines 的算法，以更加内存高效的方式建模不同领域之间的不同特征交互，实现点击率预测，并与其他算法进行了比较。

Jun, 2018

该研究提出了一种新的方法，名为 Field-matrixed Factorization Machines（FmFM，或 FM^2），用于有效和高效地建模数据中的字段信息，在交叉项剪枝的基础上支持字段特定变量维度的嵌入向量，并通过缓存中间向量进一步优化模型，实验结果显示该方法可以优于 FFM 和 DNN 模型。

Feb, 2021

本文提出了基于增量因式分解机的在线项目推荐方法，能够有效解决用户和项目动态变化的推荐问题，具有较高的可行性和性能表现，是进一步发展生产推荐系统的有前途的基础。

Jul, 2016

本文提出了一种用于大规模数据的变分 Factorization Machines 算法，通过标准的 Mini-Batch 随机梯度下降法实现优化，从而为预测结果提供可靠的置信度，并在多个数据集上展示了其在预测准确性上具有与现有方法相媲美甚至更好的性能，同时提出了在偏好调查技术等活动策略中的应用。

Dec, 2022

本文研究了使用因式分解机方法，通过观察玩家尝试次数来实现对游戏难度的个性化估计，并且与基准策略和使用随机森林的个性化预测进行比较，结果表明因式分解机是一种有前途的工具，可以帮助游戏设计师优化玩家体验，并更加深入地了解其玩家和游戏的特征。

Sep, 2022

本研究通过使用分解机（FM），一种回归或分类的模型，展示了它是目前已有的一些教育文献中现有模型的特例，可精确快速地估计学生知识，适用于多种知识组件和技能水平尝试的学生模型，提供了一个试验平台，以尝试新的特征组合，以改进现有模型。

Nov, 2018

本技术报告介绍了特征基矩阵分解的实现，该模型是矩阵分解模型的许多变体的抽象，可以通过定义新特征而利用新类型的信息，而无需修改任何代码。使用该工具包，我们构建了 KDDCup'11 赛道 1 报告的最佳单个模型。

Sep, 2011

本文提出了一个新的深度学习模型 DeepFM，既能够强调低阶特征交互，又能够强调高阶特征交互，接受的特征也不需要进行专业的工程处理。经过实验证明，DeepFM 比现有模型更有效和更高效用于 CTR 预测。

Mar, 2017

提出一种名为 Rank-Aware FM 的模型，该模型使用不同排名的嵌入对成对交互进行采用，从而在具有显着变化频率的不同特征的实际数据集上实现更好的性能，提高了回归任务和分类任务的性能，同时增加了较少的计算负担，因此在工业应用中也具有吸引力潜力

May, 2019

本文介绍了一种用于训练任意阶 HOFMs 的通用且高效的算法，以及具有共享参数的新变体，这大大减少了模型大小和预测时间，同时保持了类似的准确性，并在四个不同的链接预测任务上演示了所提出的方法。

Jul, 2016