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

本论文提出了一种名为离散因子机（Discrete Factorization Machine, DFM）的泛化特征推荐模型，它将每个特征嵌入的实数模型参数（例如 float32）变成二进制代码（例如布尔值），从而支持高效的存储和快速的用户 - 物品评分计算。与最先进的二值化推荐模型相比，DFM 一直表现出色，并且与其实数版本（FM）相比表现出非常有竞争力的性能，以展示量化损失的最小化。

May, 2018

本文介绍因子分解机及其在机器学习、推荐系统、处理稀疏高维特征等领域的应用。作者提供了一个易用的因子分解机实现，支持回归、分类和排序等任务，为这一模型在广泛的应用领域提供了便利和潜力。

May, 2015

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

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

该文介绍了一种新的回归算法，它学习线性因子函数，并解决了维度灾难的问题，可用于信念传播和强化学习等应用。通过正则化的贪心优化方案，在训练期间学习因子基函数。新的回归算法在基准任务上表现竞争力，学习的线性因子函数相当精简。

Dec, 2014

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

支持向量机是一种在高维空间中处理分散数据进行分类的重要工具，本研究中利用基于三角函数或小波的特征映射来解决 SVM 问题，并通过多元基函数的限制实现计算效率的提升和解释性强的模型。同时，通过数值实例验证，使用 L1 范数正则化可以在准确性和解释清晰度方面获得更好结果。

Feb, 2024

我们研究了一种新的类似于样条基函数的基函数，名为 “下降阶乘基函数”，它与经典的截断幂基函数有很多相似之处。 下降阶乘基函数的优点是在基矩阵乘法和基矩阵求逆中实现快速的线性时间计算。 我们研究了这个基函数在趋势过滤和两个样本 Kolmogorov-Smirnov 测试的高阶变体中的应用。

May, 2014

本研究针对数值特征在计算表格数据方面的表现，提出在深度学习中使用数值特征嵌入提升性能的方法，并重点研究两种不同的嵌入方式，并实现了嵌入在简单 MLP-like 模型与 attention-based 结构中的对比性能提升。

Mar, 2022