一家旅遊公司希望使用機器學習模型來為使用者推薦下一個機場目的地。他們擁有數百萬筆包含使用者位置、近期搜尋和 2,000 個可能機場的記錄。資料包含類別特徵，且預期目標是一個高維稀疏矩陣。團隊必須使用 Amazon SageMaker 內建演算法，並且已對類別特徵進行 one-hot 編碼。應該使用哪種內建演算法？

Factorization Machines (FM) 演算法非常適合處理高維稀疏資料，這與題目描述的「數百萬筆記錄」、「2,000 個可能機場」以及「高維稀疏矩陣」的目標相符。FM 能夠有效地捕捉類別特徵之間的交互作用，即使在資料稀疏的情況下也能表現良好，這對於推薦系統至關重要。 CatBoost 雖然擅長處理類別特徵，但主要用於表格資料的分類和迴歸問題，而非推薦系統中常見的稀疏矩陣分解。DeepAR 是一種時間序列預測演算法，不適用於推薦下一個機場目的地這種非時間序列的推薦任務。K-means 是一種聚類演算法，雖然可以對使用者進行分群，但它本身無法直接進行推薦，且無法有效處理目標是高維稀疏矩陣的推薦問題。