ある旅行会社は、ユーザーの次の空港目的地を推奨するMLモデルを求めています。彼らは、ユーザーの位置情報、最近の検索、および2,000の可能な空港に関する数百万件のレコードを持っています。データにはカテゴリカル特徴量が含まれており、ターゲットは高次元のスパース行列になると予想されます。チームはAmazon SageMakerの組み込みアルゴリズムを使用する必要があり、カテゴリカル特徴量をワンホットエンコーディングしています。どの組み込みアルゴリズムを使用すべきですか？

Factorization Machines (FM) は、高次元でスパースなデータセットにおけるカテゴリカル特徴量と相互作用を効果的に処理できるため、レコメンデーションシステムに適しています。ユーザーの位置情報、検索履歴、2,000の空港という高次元のスパースなターゲットを持つこのシナリオに最適です。CatBoostは勾配ブースティングツリーであり、カテゴリカル特徴量を直接扱えますが、この高次元でスパースなレコメンデーション問題にはFMの方が適しています。DeepARは時系列予測用、k-meansはクラスタリング用であり、直接的なレコメンデーションには向きません。