-
alphaFM_softmax是alphaFM的多分类版本。
-
算法原理见我的博客文章：http://castellanzhang.github.io/2016/10/16/fm_ftrl_softmax/
-
当将dim参数设置为1,1,0时，alphaFM_softmax就退化成标准的softmax的FTRL训练工具。
##安装方法：
直接在根目录make即可，编译后会在bin目录下生成两个可执行文件。如果编译失败，请升级gcc版本。
##输入文件格式：
类似于libsvm格式，但更加灵活：特征编号不局限于整数也可以是字符串；特征值可以是整数或浮点数（特征值最好做归一化处理，否则可能会导致结果为nan），
特征值为0的项可以省略不写；label必须是1到k（假设类别数为k）。举例如下：
1 sex:1 age:0.3 f1:1 f3:0.9
3 sex:0 age:0.7 f2:0.4 f5:0.8 f8:1
2 sex:0 age:0.2 f2:0.6 f8:1
...
##模型文件格式：
假定v的维度为f，类别数为k，类似于alphaFM的格式，只是feature_name之后的部分从1段变成了k段
第一行是bias的参数：
bias w_1 w_n_1 w_z_1 w_2 w_n_2 w_z_2 ... w_k w_n_k w_z_k
其他行的格式为：
feature_name w_1 v1_1 v2_1 ... vf_1 w_n_1 w_z_1 v_n1_1 v_n2_1 ... v_nf_1 v_z1_1 v_z2_1 ... v_zf_1 w_2 v1_2 v2_2 ... vf_2 w_n_2 w_z_2 v_n1_2 v_n2_2 ... v_nf_2 v_z1_2 v_z2_2 ... v_zf_2 ... ... w_k v1_k v2_k ... vf_k w_n_k w_z_k v_n1_k v_n2_k ... v_nf_k v_z1_k v_z2_k ... v_zf_k
##预测结果格式：
label score_1 score_2 ... score_k
label为输入数据的类别标注值（1到k），score_i为样本属于类别i的预测概率值。
##参数说明：
###fm_train_softmax的参数：
和alphaFM基本一致，多了一个-cn参数，少了一个-fvs参数
-m <model_path>: 设置模型文件的输出路径。
-cn <class_num>: 设置类别数。
-dim <k0,k1,k2>: k0为1表示使用偏置w0参数，0表示不使用；k1为1表示使用w参数，为0表示不使用；k2为v的维度，可以是0。 default:1,1,8
-init_stdev <stdev>: v的初始化使用均值为0的高斯分布，stdev为标准差。 default:0.1
-w_alpha <w_alpha>: w0和w的FTRL超参数alpha。 default:0.05
-w_beta <w_beta>: w0和w的FTRL超参数beta。 default:1.0
-w_l1 <w_L1_reg>: w0和w的L1正则。 default:0.1
-w_l2 <w_L2_reg>: w0和w的L2正则。 default:5.0
-v_alpha <v_alpha>: v的FTRL超参数alpha。 default:0.05
-v_beta <v_beta>: v的FTRL超参数beta。 default:1.0
-v_l1 <v_L1_reg>: v的L1正则。 default:0.1
-v_l2 <v_L2_reg>: v的L2正则。 default:5.0
-core <threads_num>: 计算线程数。 default:1
-im <initial_model_path>: 上次模型的路径，用于初始化模型参数。如果是第一次训练则不用设置此参数。
###fm_predict_softmax的参数：
比alphaFM多了一个-cn参数
-m <model_path>: 模型文件路径。
-cn <class_num>: 设置类别数。
-dim <factor_num>: v的维度。 default:8
-core <threads_num>: 计算线程数。 default:1
-out <predict_path>: 输出文件路径。
##计算速度：
###我的实验结果：
本地1000万的样本，200万的特征维度，7个类别，v的维度为12，2.10GHz的CPU，开10个线程，非缺省参数如下：
-cn 7 -dim 1,1,12 -w_l1 0.05 -v_l1 0.05 -init_stdev 0.001 -w_alpha 0.01 -v_alpha 0.01 -core 10
训练时间大概半个多小时。