Разница между факторизационными машинами и матричной факторизацией?

Я сталкивался с термином «Машины факторизации» в рекомендательных системах. Я знаю, что такое матричная факторизация для рекомендательных систем, но никогда не слышала о факторизационных машинах. Так в чем же разница?

Матричная факторизация - это метод для факторизации матриц. Он выполняет одну работу по разложению матрицы на две матрицы, так что их произведение близко соответствует исходной матрице.

Но машины факторизации имеют довольно общий характер по сравнению с матричной факторизацией. Сама постановка проблемы очень разная. Он сформулирован как линейная модель с взаимодействиями между элементами в качестве дополнительных параметров. Взаимодействие этой функции выполняется в их скрытом пространстве, а не в простом формате. Таким образом, наряду с взаимодействиями объектов, как в матричном факторизации, он также принимает линейные веса различных объектов.

Таким образом, по сравнению с матричной факторизацией, здесь есть ключевые различия:

1. В рекомендуемых системах, где обычно используется матричная факторизация, мы не можем использовать дополнительные функции. Например, для системы рекомендаций к фильмам мы не можем использовать жанры фильмов, их язык и т. Д. В матричной факторизации. Сама факторизация должна извлечь уроки из существующих взаимодействий. Но мы можем передать эту информацию в Машины Факторизации
2. Машины факторизации могут также использоваться для других задач прогнозирования, таких как регрессия и двоичная классификация. Обычно это не относится к матричной факторизации

В предыдущем ответе опубликована статья, в которой говорится о FM. У него также есть отличный иллюстративный пример того, что такое FM.

Матричная факторизация - это другая модель факторизации. Из статьи о FM :

Существует много различных моделей факторизации, таких как матричная факторизация, параллельный факторный анализ или специализированные модели, такие как SVD ++, PITF или FPMC. Недостаток этих моделей заключается в том, что они неприменимы для общих задач прогнозирования, а работают только со специальными входными данными. Кроме того, их модельные уравнения и алгоритмы оптимизации выводятся индивидуально для каждой задачи. Мы показываем, что FM могут имитировать эти модели, просто указав входные данные (то есть векторы признаков). Это делает FM легко применимыми даже для пользователей, не имеющих экспертных знаний в моделях факторизации.

С libfm.org:

«Факторизационные машины (FM) - это общий подход, который позволяет имитировать большинство моделей факторизации с помощью разработки функций. Таким образом, машины факторизации сочетают в себе универсальность разработки функций с превосходством моделей факторизации в оценке взаимодействий между категориальными переменными большой области».

Просто продолжение ответа Дилипа.

Если задействованы только две категориальные переменные (например, пользователи и предметы), то FM эквивалентен матричной факторизационной модели. Но FM может быть легко применен к более чем двум реальным функциям.