Różnica między maszynami do faktoryzacji a faktoryzacją matrycową?

Termin „maszyny do faktoryzacji” spotkałem w systemach rekomendujących. Wiem, czym jest Matryca Faktoryzacji dla systemów rekomendujących, ale nigdy nie słyszałem o Maszynach Faktoryzacji. Jaka jest różnica?

Faktoryzacja macierzy jest metodą, no cóż, faktoryzacji macierzy. Wykonuje jedno zadanie polegające na rozkładaniu matrycy na dwie matryce, tak aby ich produkt ściśle pasował do oryginalnej matrycy.

Ale maszyny do faktoryzacji mają dość ogólny charakter w porównaniu do faktoryzacji matrycowej. Sama formuła problemu jest bardzo różna. Jest on sformułowany jako model liniowy, a interakcje między elementami są dodatkowymi parametrami. Ta interakcja funkcji odbywa się w utajonej reprezentacji przestrzeni zamiast w ich zwykłym formacie. Tak więc wraz z interakcjami między elementami, jak w Matryce Faktoryzacji, przyjmuje ona także wagi liniowe różnych cech.

Więc w porównaniu do faktoryzacji macierzy, oto kluczowe różnice:

1. W zalecanych systemach, w których zwykle stosuje się faktoryzację macierzy, nie możemy używać funkcji ubocznych. Na przykład w przypadku systemu rekomendacji filmów nie możemy używać gatunków filmów, ich języka itp. W Matryca Faktoryzacji. Sama faktoryzacja musi nauczyć się ich na podstawie istniejących interakcji. Ale możemy przekazać te informacje w Factorization Machines
2. Maszyny do faktoryzacji można również wykorzystać do innych zadań predykcyjnych, takich jak regresja i klasyfikacja binarna. Zwykle tak nie jest w przypadku faktoryzacji macierzy

Artykuł udostępniony w poprzedniej odpowiedzi to artykuł oryginalny, który mówi o FM. Ma też świetny przykład ilustrujący, czym dokładnie jest FM.

Faktoryzacja macierzy to inny model faktoryzacji. Z artykułu o FM :

Istnieje wiele różnych modeli faktoryzacji, takich jak faktoryzacja macierzy, równoległa analiza czynnikowa lub modele specjalistyczne, takie jak SVD ++, PITF lub FPMC. Wadą tych modeli jest to, że nie mają one zastosowania do ogólnych zadań predykcyjnych, ale działają tylko ze specjalnymi danymi wejściowymi. Ponadto ich równania modelu i algorytmy optymalizacji są wyprowadzane indywidualnie dla każdego zadania. Pokazujemy, że FM mogą naśladować te modele tylko poprzez podanie danych wejściowych (tj. Wektorów cech). Dzięki temu FM można łatwo zastosować nawet dla użytkowników bez specjalistycznej wiedzy na temat modeli faktoryzacji.

Z libfm.org:

„Maszyny do faktoryzacji (FM) to ogólne podejście, które pozwala naśladować większość modeli faktoryzacji przez inżynierię cech. W ten sposób maszyny do faktoryzacji łączą ogólność inżynierii cech z wyższością modeli faktoryzacji w szacowaniu interakcji między zmiennymi kategorialnymi dużej dziedziny”.

Tylko jakieś rozszerzenie odpowiedzi Dileepa.

Jeśli jedynymi wymaganymi cechami są dwie zmienne jakościowe (np. Użytkownicy i elementy), wówczas FM jest równoważne modelowi macierzy faktoryzacji. Ale FM można łatwo zastosować do więcej niż dwóch i cenionych funkcji.