Znaczenie ukrytych cech?

15

Próbuję zrozumieć modele faktoryzacji macierzy dla systemów rekomendujących i zawsze czytam „ukryte funkcje”, ale co to znaczy? Wiem, co oznacza funkcja dla zestawu danych szkoleniowych, ale nie jestem w stanie zrozumieć idei ukrytych funkcji. Każdy artykuł na ten temat, który mogę znaleźć, jest po prostu zbyt płytki.

Edytować:

jeśli przynajmniej możesz wskazać mi kilka artykułów wyjaśniających ten pomysł.

machine-learning data-mining recommender-system

— Jack Twain
źródło

Oto prosty przykład, który może ci pomóc quuxlabs.com/blog/2010/09/…

— Akavall

9

Utajone oznacza, że nie można ich bezpośrednio zaobserwować. Powszechnym zastosowaniem tego terminu w PCA i analizie czynnikowej jest zmniejszenie wymiaru dużej liczby cech bezpośrednio obserwowalnych do mniejszego zestawu cech pośrednio obserwowalnych.

— samthebest
źródło

więc zmniejszone wymiary są wtedy ukrytymi cechami? W przypadku PCA wektory własne macierzy kowariancji, tj. Główne składniki, prawda?

— Jack Twain

Prawidłowe @AlexTwain

— samthebest

Czy możesz podać mi samouczek / artykuł, który o tym wspomina? Nie mogę znaleźć żadnego systematycznego samouczka / artykułu!

— Jack Twain

Cóż, strona wiki jest całkiem dobra, jeśli naprawdę chcesz, możesz skorzystać z tamtejszych referencji en.wikipedia.org/wiki/Latent_variable

— samthebest

1

@JackTwain poprawną analogią PCA jest to, że ukryte cechy to wektory własne. Głównymi składnikami są wagi przypisane do każdej obserwacji dla głównych wektorów własnych. W innych modelach faktoryzacji macierzy cechy ukryte odgrywają rolę wektorów własnych. Może to zabrzmieć pedantycznie, ale błąd nie powoduje końca zamieszania dla ludzi.

— przypuszcza

3

W kontekście metody faktoryzacji ukryte cechy mają zazwyczaj na celu scharakteryzowanie elementów wzdłuż każdego wymiaru. Pozwól mi wyjaśnić na przykładzie.

$R$ $R_{ui}$ $p_u^T q_i$ $p_u$ $u$ $q_i$ $i$

$p_u$ $q_i$

— Artem Sobolev
źródło

Czytałem artykuły, w których ukryte funkcje (np. „Wektor użytkownika”) są używane do przewidywania niektórych zmiennych docelowych, na przykład wykorzystajmy płeć. „Działa”, ponieważ w ten sposób można zbudować model predykcyjny. Moje pytanie brzmi: jaka jest różnica między „wektorem użytkownika” a, powiedzmy, uśrednianiem „wektorów przedmiotów” dla wszystkich elementów, które „odwiedził” użytkownik? IOW, czy spodziewałbyś się, że wspomniany wyżej model predykcyjny będzie lepszy lub gorszy w przypadku jednego lub drugiego? Dzięki (jeśli kiedykolwiek to zobaczysz).

— thecity2

@ thecity2, możesz uśrednić elementy użytkownika, a to może być przydatne, gdy masz do czynienia z nowicjuszami, dla których nie masz wcześniej obliczonych wektorów użytkownika (choć trudno jest wykonać kilka iteracji optymalizacyjnych, aby je obliczyć). Istnieje również problem z prostym uśrednianiem: im więcej przedmiotów zużył użytkownik - im bliżej zera będzie prawdopodobnie ich średni wektor przedmiotów (z powodu typowego regulizatora L2 i być może innych nieprzyjemnych właściwości przestrzeni wielowymiarowych). Wreszcie, posiadanie oddzielnego wektora jest bardziej elastyczne: Twój model może nauczyć się takiego uśredniania.

— Artem Sobolev

To powiedziawszy, są próby wykorzystania historii użytkownika do modelowania wektora użytkownika. Na przykład patrz artykuł „Zbuduj swoją własną rekomendację muzyczną poprzez modelowanie internetowych strumieni radiowych”

— Artem Sobolev

0

Powiedziałbym, że czynniki są bardziej reprezentatywne niż główne składniki, aby uzyskać postrzeganie „opóźnienia” / ukrywania zmiennej. Opóźnienie jest jednym z powodów, dla których naukowcy behawioralni mierzą konstrukty percepcyjne, takie jak odczuwanie, smutek w kategoriach wielu przedmiotów / miar, i uzyskują liczbę dla takich ukrytych zmiennych, których nie można bezpośrednio zmierzyć.

— KarthikS
źródło

0

Tutaj twoje dane są ocenami przyznawanymi przez różnych użytkowników dla różnych filmów. Jak zauważyli inni, ukryte środki nie są bezpośrednio widoczne.

W przypadku filmu jego ukryte funkcje określają ilość akcji, romans, fabułę, słynnego aktora itp. Podobnie, w innym zestawie danych składającym się z odręcznych cyfr, ukrytymi zmiennymi mogą być kąt krawędzi, pochylenie itp.

— poszukiwacz
źródło