分解机 (FMs) 是一种机器学习技术，擅长通过有效地对特征之间的交互进行建模，即使在稀疏数据集中，也能在推荐系统中发挥出色作用。与仅关注用户-项目交互的传统协同过滤不同，FM 纳入了额外的上下文信息（如用户人口统计信息、项目属性或交互时间）来改进推荐。例如，在电影推荐系统中，FM 不仅可以使用用户 ID 和电影 ID，还可以使用类型偏好、观看历史或一天中的时间等特征来预测用户的兴趣。这种灵活性使 FM 能够处理真实场景中常见的高维、稀疏数据，在这些场景中，用户仅与可用项目的一小部分进行交互。
从技术上讲，FM 的工作原理是为每个特征学习潜在向量（低维表示）。这些向量捕获特征如何成对交互。该模型的预测结合了线性项（用于单个特征）和交互项（用于特征对）。例如，如果用户经常在周末流式传输科幻电影，则 FM 会学习“user=Alice”、“genre=sci-fi”和“time=weekend”的潜在向量，以模拟这些特征如何共同影响她的偏好。关键优势是计算效率：FM 隐式地分解交互，而不是需要显式的特征工程，从而减少了所需的参数数量。这使得它们可以扩展到大型数据集，例如在电子商务平台中，存在数百万的用户和产品。
在实践中，FM 特别适用于冷启动问题。例如，如果系统使用新用户的人口统计数据（例如，年龄、位置）以及项目属性（例如，类别、价格），则即使该用户没有购买历史记录，仍然可以收到个性化推荐。像 libfm 或 TensorFlow 的 tensorrec 这样的库简化了 FM 的实现。开发人员可以通过将 FM 与神经网络（例如，DeepFM）结合使用来扩展 FM，以捕获非线性模式。一个实际应用可能涉及通过组合用户行为、广告内容和设备类型等上下文特征来预测广告的点击率。通过平衡简单性和表达性，FM 仍然是开发人员构建可扩展的、具有特征意识的推荐系统的实用工具。