本书通过比较因子分解机(FM)模型与其他模型之间的关联关系，阐述FM模型的灵活性和普适性；从特征的高阶交互、特征的场交互、特征的分层交互，以及基于特征工程的特征提取、合并、智能选择和提升等角度总结模型在宽度扩展方面的方法、策略和关键技术；比较和分析了FM模型与其他模型的集成方式和特点，尤其是与深度学习模型的集成，为传统模型的深度扩展提供了思路；同时对FM模型的优化学习方法和基于不同并行与分布式计算框架的实现进行概括、比较和分析；最后，对FM模型中有待深入研究的难点、热点及发展趋势进行展望。针对FM对所有特征进行交互造成不必要资源浪费的问题，从特征工程和算法两方面对它提出改进，建立智能化场感知分解机模型iFFM。iFFM在提高准确度的同时，在一定程度上节省了模型的训练时间。