Sự khác biệt giữa máy Factorization và Matrix Factorization?

Tôi đã bắt gặp thuật ngữ Factorization Machines trong các hệ thống đề xuất. Tôi biết Matrix Factorization là gì cho các hệ thống đề xuất nhưng chưa bao giờ nghe nói về Factorization Machines. Vậy sự khác biệt là gì?

Yếu tố ma trận là một phương pháp để, tốt, nhân tố ma trận. Nó thực hiện một công việc phân tách một ma trận thành hai ma trận sao cho sản phẩm của chúng khớp với ma trận gốc.

Nhưng Máy Factorization có bản chất khá chung so với Matrix Factorization. Bản thân vấn đề xây dựng là rất khác nhau. Nó được xây dựng như một mô hình tuyến tính, với các tương tác giữa các tính năng như các tham số bổ sung. Tương tác tính năng này được thực hiện trong biểu diễn không gian tiềm ẩn thay vì định dạng đơn giản của chúng. Vì vậy, cùng với các tương tác tính năng như trong Matrix Factorization, nó cũng lấy trọng số tuyến tính của các tính năng khác nhau.

Vì vậy, so với Matrix Factorization, đây là những điểm khác biệt chính:

1. Trong các hệ thống được đề xuất, nơi thường sử dụng Hệ số ma trận, chúng tôi không thể sử dụng các tính năng phụ. Ví dụ: đối với hệ thống đề xuất phim, chúng tôi không thể sử dụng các thể loại phim, ngôn ngữ của nó, v.v. trong Matrix Factorization. Bản thân nhân tố phải học những điều này từ các tương tác hiện có. Nhưng chúng ta có thể vượt qua thông tin này trong Máy Factorization
2. Máy tính hệ số cũng có thể được sử dụng cho các nhiệm vụ dự đoán khác như Hồi quy và Phân loại nhị phân. Đây thường không phải là trường hợp với Matrix Factorization

Bài viết được chia sẻ trong câu trả lời trước là bài báo gốc nói về FM. Nó có ví dụ minh họa tuyệt vời cũng như FM chính xác là gì.

Yếu tố ma trận là một mô hình nhân tố khác nhau. Từ bài viết về FM :

Có nhiều mô hình nhân tố khác nhau như nhân tố ma trận, phân tích nhân tố song song hoặc mô hình chuyên biệt như SVD ++, PITF hoặc FPMC. Hạn chế của các mô hình này là chúng không thể áp dụng cho các nhiệm vụ dự đoán chung, mà chỉ hoạt động với dữ liệu đầu vào đặc biệt. Hơn nữa, các phương trình mô hình và thuật toán tối ưu hóa của chúng được dẫn xuất riêng cho từng nhiệm vụ. Chúng tôi cho thấy rằng FM có thể bắt chước các mô hình này chỉ bằng cách chỉ định dữ liệu đầu vào (tức là các vectơ đặc trưng). Điều này làm cho FM dễ dàng áp dụng ngay cả đối với người dùng không có kiến ​​thức chuyên môn về các mô hình nhân tố.

Từ libfm.org:

"Máy nhân tố (FM) là một cách tiếp cận chung cho phép mô phỏng hầu hết các mô hình nhân tố hóa bằng kỹ thuật tính năng. Bằng cách này, máy nhân tố kết hợp tính tổng quát của kỹ thuật tính năng với tính ưu việt của mô hình nhân tố hóa trong việc ước tính tương tác giữa các biến phân loại của miền lớn."

Chỉ cần một số phần mở rộng cho câu trả lời của Dileep.

Nếu các tính năng duy nhất liên quan là hai biến phân loại (ví dụ: người dùng và vật phẩm) thì FM tương đương với mô hình nhân tố ma trận. Nhưng FM có thể dễ dàng áp dụng cho hơn hai và các tính năng có giá trị thực.