Çarpanlara ayırma makineleri ile Matris çarpanlara ayırma arasındaki fark nedir?

Tavsiye sistemlerinde Faktorizasyon Makineleri terimiyle karşılaştım. Matris Faktorizasyonunun tavsiye sistemleri için ne olduğunu biliyorum, ancak Faktorizasyon Makinalarını hiç duymadım. Peki fark nedir?

Matris çarpanlarına ayırma, matrisleri çarpanlarına ayırma yöntemidir. Bir matrisi iki matris halinde ayrıştırma işi yapar, böylece ürünleri orijinal matrisle yakından eşleşir.

Ancak Çarpanlara Ayırma Makinaları, Matris Çarpanlara Kıyasla karşılaştırıldığında oldukça geneldir. Sorun formülasyonunun kendisi çok farklıdır. Ek parametreler olarak özellikler arasındaki etkileşimlerle doğrusal bir model olarak formüle edilmiştir. Bu özellik etkileşimi, düz biçimleri yerine gizli alan gösterimlerinde yapılır. Bu nedenle Matris Faktorizasyonundaki özellik etkileşimleriyle birlikte, farklı özelliklerin doğrusal ağırlıklarını da alır.

Bu nedenle Matris Çarpanlara Ayırma ile karşılaştırıldığında, temel farklar şunlardır:

1. Matrix Faktorizasyonunun genellikle kullanıldığı önerilen sistemlerde, yan özellikleri kullanamayız. Örneğin, bir film öneri sistemi için Matrix Factorization'da film türlerini, dilini vb. Kullanamayız. Çarpanlara ayırmanın kendisi bunları mevcut etkileşimlerden öğrenmelidir. Ancak bu bilgiyi Faktorizasyon Makinelerinde aktarabiliriz
2. Çarpanlara Ayırma Makinaları Regresyon ve İkili Sınıflandırma gibi diğer tahmin görevleri için de kullanılabilir. Matris Faktorizasyonunda bu genellikle geçerli değildir

Önceki yanıtta paylaşılan makale FM'lerden bahseden orijinal makaledir. FM'nin tam olarak ne olduğu konusunda da harika bir örnek var.

Matris çarpanlara ayırma işlemi farklı bir çarpanlara ayırma modelidir. Gönderen FM hakkında makale :

Matris çarpanlara ayırma, paralel çarpan analizi ya da SVD ++, PITF ya da FPMC gibi özel çarşaflar gibi birçok farklı çarpanlara ayırma modeli vardır. Bu modellerin dezavantajı, genel tahmin görevleri için geçerli olmamaları, sadece özel girdi verileriyle çalışmasıdır. Ayrıca, model denklemleri ve optimizasyon algoritmaları her görev için ayrı ayrı türetilir. FM'lerin yalnızca giriş verilerini (yani özellik vektörleri) belirterek bu modelleri taklit edebileceğini gösteriyoruz. Bu, FM'leri çarpanlara ayırma modellerinde uzman bilgisi olmayan kullanıcılar için bile kolayca uygulanabilir hale getirir.

Libfm.org adresinden:

"Faktorizasyon makineleri (FM) çoğu faktorizasyon modelini özellik mühendisliği ile taklit etmeyi sağlayan genel bir yaklaşımdır. Bu şekilde, faktorizasyon makineleri, özellik mühendisliğinin genelliğini, büyük alanın kategorik değişkenleri arasındaki etkileşimleri tahmin etmede faktörizasyon modellerinin üstünlüğü ile birleştirir."

Dileep'in cevabına bir miktar uzantı.

İlgili tek özellik iki kategorik değişkense (örn. Kullanıcılar ve öğeler), FM matris çarpanlara ayırma modeline eşdeğerdir. Ancak FM, ikiden fazla ve gerçek değerli özelliklere kolayca uygulanabilir.