Різниця між машинами для факторизації та матричною факторизацією?

Я натрапив на термін Факторизаційні машини в системах рекомендацій. Я знаю, що таке матрична факторизація для систем рекомендування, але ніколи не чув про машини факторизації. То яка різниця?

Матрична факторизація - це метод, щоб добре розподілити матриці. Це виконує одну роботу з розкладання матриці на дві матриці, щоб їх добуток відповідав оригінальній матриці.

Але машини для факторизації мають досить загальний характер порівняно з матричною факторизацією. Сама постановка проблеми сильно відрізняється. Він сформульований як лінійна модель, взаємодія між ознаками як додаткові параметри. Ця функція взаємодії здійснюється в латентному представленні простору замість простого формату. Отже, поряд із функціональними взаємодіями, як у Matrix Factorization, вона також приймає лінійні ваги різних функцій.

Отже, порівняно з матричною факторизацією, тут є основні відмінності:

1. У рекомендованих системах, де зазвичай використовується матрична факторизація, ми не можемо використовувати побічні функції. Наприклад, для системи рекомендацій щодо фільму, ми не можемо використовувати жанри фільму, його мову тощо в Matrix Factorization. Сама факторизація повинна засвоїти це з існуючих взаємодій. Але ми можемо передати цю інформацію в Факторизаційні машини
2. Машини для факторизації можуть використовуватися і для інших завдань прогнозування, таких як регресія та двійкова класифікація. Зазвичай це не стосується матричної факторизації

Папір, поділений у попередній відповіді, є оригінальним документом, який розповідає про FM. Він також має чудовий показовий приклад того, що саме є FM.

Матрична факторизація - це інша модель факторизації. Зі статті про ФМ :

Існує багато різних моделей факторизації, таких як матрична факторизація, паралельний факторний аналіз або спеціалізовані моделі, такі як SVD ++, PITF або FPMC. Недолік цих моделей полягає в тому, що вони не застосовуються для загальних завдань прогнозування, а працюють лише зі спеціальними вхідними даними. Крім того, їх модельні рівняння та алгоритми оптимізації виводяться індивідуально для кожного завдання. Ми показуємо, що FM можуть імітувати ці моделі, лише вказавши вхідні дані (тобто вектори функцій). Це робить FM-програми легко застосовними навіть для користувачів без експертних знань у моделях факторизації.

З libfm.org:

"Машини для факторизації (ФМ) - це загальний підхід, який дозволяє імітувати більшість моделей факторизації за допомогою функціональної інженерії. Таким чином машини для факторизації поєднують загальність інженерної характеристики з перевагою моделей факторизації при оцінці взаємодій між категоричними змінними великої області."

Просто деяке продовження відповіді Ділепа.

Якщо єдиними задіяними функціями є дві категоріальні змінні (наприклад, користувачі та елементи), то FM є еквівалентною матричній моделі факторизації. Але FM можна легко застосувати до більш ніж двох та реальних цінностей.