如果你已经能说出协同过滤、矩阵分解这些词，但被问到「FM 到底在推荐系统里解决什么问题、什么时候该用它、怎么把它落到一个能跑的电影或电商场景里」就开始含糊，这门预习课就是冲这个缺口来的。它不铺开讲推荐系统全貌，而是把 FM（因子分解机）这个模型放进两条真实业务线里拆开看：一条是电影评分与排序，一条是电商点击与转化。

先确认你缺的是哪一块

推荐系统的高级岗位面试，很少直接问你公式推导，更常问的是判断：稀疏特征下为什么 LR 不够、FM 相比 MF 多了什么、二阶交叉项在电商场景里对应哪些真实字段。这门预习课的前提，是你已经写过基础的召回或排序代码，能读懂特征工程的基本流程，但对特征交叉、稀疏 ID embedding、模型选型的边界条件没有形成自己的判断。如果你连 AUC、负采样都还没动手算过，建议先把基础补上再来，否则预习课里的案例推进会跟不上。

电影推荐这条线，练的是评分预测的底子

电影场景的特征相对干净：用户 ID、物品 ID、评分、时间、类型标签。它适合用来把 FM 的输入格式、隐向量维度、训练目标这几件事一次性理清。预习课会围绕这条线让你回答几个具体问题：用户和物品的隐向量分别学到了什么、维度取大取小对过拟合的影响、和传统矩阵分解在表达上的差别在哪。这些不是背结论，而是你在动手调一遍之后能自己讲出来的东西。

电商推荐这条线，考的是稀疏与交叉

电商场景一上来就是高维稀疏：用户、商品、品类、品牌、上下文、行为序列，字段又多又杂，特征交叉的组合爆炸是绕不开的坎。FM 在这里的价值，是把二阶交叉的参数量压到线性级别，同时还能处理没共现过的特征组合。预习课会把电影线里学到的模型，搬到这套更脏、更稀疏的数据上，让你体会同一个模型在两类业务里的表现差异，以及为什么工业界常常要在此基础上继续往前走。

看完你应该能回答的问题

给一个推荐场景，你能判断该用 MF、FM，还是先上 LR 加人工交叉特征吗？
FM 的二阶项在电商数据里，具体对应哪两个字段的交互，你能举出三个例子吗？
稀疏特征下隐向量维度怎么定，训练不收敛时你先查哪几个地方？
电影评分预测和电商点击预估，评估指标和数据处理上的差别，你能说清楚吗？

怎么用这份预习资料

别把它当目录翻一遍就算完。建议按「先跑通电影线、再啃电商线、最后回头补特征交叉的理论缺口」的顺序走，每看完一段就合上资料，用自己的话把模型输入到输出的链路讲一遍。讲不顺的地方，就是你还得回去补的地方。预习课的意义不在于覆盖多少知识点，而在于让你在正式小班开课前，清楚自己哪几块是空的，带着具体问题进课堂，比被动听课效率高得多。