本文提出了一种用于稀疏数据预测的新型模型 Neural Factorization Machine（NFM），将因子分解机（Factorization Machines，FM）中二阶特征交互的线性性与神经网络中高阶特征交互的非线性相结合，实验证明 NFM 在深度学习方法 Wide&Deep 和 DeepCross 的基础上，使用更浅的结构却提供更好的性能，在实际中更易于训练和调节。

Aug, 2017

本论文提出了一种基于图形结构和 GNN 特征汇聚策略相结合的 Graph Factorization Machine 方法，可以在处理高维度稀疏数据时有效地建模任意高阶特征交互，并具有优异的预测准确性。

May, 2021

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

本文提出了一种新的神经点击率模型 FAT-DeepFFM，该模型通过将 DeepFFM 与 CENet 场注意力机制结合起来以突出特征重要性，并在真实世界数据集上的实验结果表明，FAT-DeepFFM 在 CTR 预测任务方面的性能最好，并获得不同于现有方法的改进。

May, 2019

本文提出一种名为 SeqFM 的新型基于因子分解机的模型，可以完全考虑动态特征之间的因果依赖关系，通过多视角自注意力模型分别建模静态特征、动态特征和静态动态特征的交互作用，完成时序预测分析任务。在六个大规模数据集上的实验结果表明，SeqFM 在排名、分类和回归任务方面都具有优异的效能和效率。

Nov, 2019

介绍了一种预测显示广告中用户点击率和转化率的实时预测系统，该系统采用基于领域的分解机方法，得到了良好的预测效果。我们还讨论了模型训练中的一些挑战和解决方案。

Jan, 2017

本文提出了自适应分解网络（AFN），通过对数转换层转换特征组合中每个特征的权值，从而适应性地学习数据的任意阶交叉特征，与现有方法相比，该方法表现出更优的预测性能。

Sep, 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

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