这门课的名字里塞了两个限定词：一个是「FM」，一个是「预习课」。两者决定了它不适合零基础，也不适合想靠一套视频从头学完推荐系统的人。如果你已经能说清协同过滤和矩阵分解在做什么，但被问到「FM 到底解决了什么、为什么在稀疏场景下比 MF 好用」时答不上来，那这门课的定位就正好卡在你的缺口上。

先确认自己要补的是哪一块

FM（因子分解机）在推荐和 CTR 预估里出现频率很高，但很多人的掌握程度停留在「会调库、会跑通」。真正卡人的地方通常有三个：一是特征交叉的工程写法，二是稀疏数据下参数学习的效率问题，三是把它放回真实推荐链路时，召回、排序、特征处理各自该承担什么。这门预习课围绕电影推荐和电商推荐两个场景展开，本质是在这两条线上把 FM 的位置讲清楚——它不是孤立的一个模型，而是嵌在「特征 → 交叉 → 打分 → 排序」这条链里的一环。

判断要不要跟：如果你目前的状况是「看过 FM 公式但没手推过交叉项、没处理过真实稀疏特征」，适合。如果你连 embedding、梯度下降都还没理顺，建议先把基础打掉再来。

两个场景各自要解决什么

电影推荐：把评分预测这件事拆开看

电影推荐是推荐系统的经典练兵场，因为它数据干净、反馈明确。但正因为干净，很多人会忽略一个问题：真实场景里用户-物品矩阵的稀疏程度远高于此，而 FM 的价值恰恰在稀疏条件下才明显。这部分要盯的不是「怎么预测评分」，而是特征怎么构造、二阶交叉项在实际稀疏度下还能不能学到东西、和纯矩阵分解相比差异出现在哪。

电商推荐：特征维度爆炸之后怎么办

电商场景的特征维度会突然变多——用户侧、商品侧、上下文侧，还有大量类别型字段做 one-hot 之后产生的超高维稀疏向量。这里的关键不是模型换没换，而是同一套 FM 思路在面对这种特征规模时，工程上要做什么取舍：哪些交叉值得留、怎么做特征哈希、离线评估指标该怎么选。这部分内容和你平时调参刷指标是两回事，更接近真实项目里的决策过程。

配套练习应该怎么用

先不看讲解，自己用一份带类别特征的样本数据把 FM 的前向过程写一遍，重点看二阶项是怎么由 embedding 内积得到的。
换一组更稀疏的数据重跑，观察效果变化，并记录你对「为什么稀疏会让某些模型失效」的判断。
把电影场景和电商场景的特征处理方式各写一份对比笔记，包括字段类型、编码方式、交叉策略的差异。
针对同一份数据，分别用 MF 思路和 FM 思路各做一次实验，不要只看指标，写下你对两者差异的解释。

练习的目的不是跑出高分，而是让你在看完讲解后能立刻验证自己的理解有没有偏差。如果某个练习做不下去，那基本就是这门课要补的点。

看完应该能回答的问题

FM 的二阶交叉项在数学上是怎么表达的，为什么这种表达能缓解稀疏问题？
在电影推荐和电商推荐里，特征构造的差异主要体现在哪些地方？
什么情况下选 FM，什么情况下用矩阵分解或更深的模型更合适？判断依据是什么？
面对高维稀疏特征，除了换模型，还有哪些工程手段可以先用上？
离线指标看起来不错，上线后效果打折，可能出在链路的哪个环节？

这些问题如果你现在只能答出一半，那这门预习课的价值就在于把剩下那一半补上。它不负责把你变成推荐系统专家，只负责让你在进入后续进阶内容之前，别在 FM 这个环节上含糊过去。