Perbedaan antara mesin Factorization dan Factorization Matrix?

Saya menemukan istilah Mesin Faktorisasi dalam sistem rekomendasi. Saya tahu apa Matriks Factorization untuk sistem rekomendasi tetapi tidak pernah mendengar tentang Factorization Machines. Jadi apa bedanya?

Matriks faktorisasi adalah metode untuk, dengan baik, matriks faktorisasi. Ia melakukan satu pekerjaan penguraian matriks menjadi dua matriks sedemikian rupa sehingga produk mereka sangat cocok dengan matriks asli.

Tetapi Mesin Factorization bersifat sangat umum dibandingkan dengan Factorization Matrix. Perumusan masalah itu sendiri sangat berbeda. Diformulasikan sebagai model linier, dengan interaksi antara fitur sebagai parameter tambahan. Interaksi fitur ini dilakukan dalam representasi ruang laten mereka dan bukan format polosnya. Jadi bersama dengan interaksi fitur seperti dalam Matrix Factorization, ia juga membutuhkan bobot linier dari berbagai fitur.

Jadi dibandingkan dengan Faktorisasi Matriks, berikut adalah perbedaan utama:

1. Dalam sistem yang disarankan, di mana Matriks Factorization umumnya digunakan, kami tidak dapat menggunakan fitur-samping. Misalnya untuk sistem rekomendasi film, kita tidak dapat menggunakan genre film, bahasanya dll dalam Matrix Factorization. Faktorisasi itu sendiri harus belajar dari interaksi yang ada. Tetapi kita dapat meneruskan info ini di Mesin Factorization
2. Mesin Factorization juga dapat digunakan untuk tugas prediksi lainnya seperti Regresi dan Klasifikasi Biner. Ini biasanya tidak terjadi dengan Matriks Factorization

Makalah yang dibagikan dalam jawaban sebelumnya adalah makalah asli yang berbicara tentang FM. Ini memiliki contoh ilustrasi yang bagus juga tentang apa sebenarnya FM.

Matriks faktorisasi adalah model faktorisasi yang berbeda. Dari artikel tentang FM :

Ada banyak model faktorisasi yang berbeda seperti faktorisasi matriks, analisis faktor paralel atau model khusus seperti SVD ++, PITF atau FPMC. Kelemahan dari model ini adalah bahwa mereka tidak berlaku untuk tugas prediksi umum, tetapi hanya bekerja dengan data input khusus. Lebih lanjut, persamaan model dan algoritme pengoptimalan diturunkan secara individual untuk setiap tugas. Kami menunjukkan bahwa FM dapat meniru model-model ini hanya dengan menentukan data input (yaitu vektor fitur). Ini membuat FM mudah diterapkan bahkan untuk pengguna tanpa pengetahuan ahli dalam model faktorisasi.

Dari libfm.org:

"Mesin faktorisasi (FM) adalah pendekatan generik yang memungkinkan untuk meniru sebagian besar model faktorisasi dengan rekayasa fitur. Dengan cara ini, mesin faktorisasi menggabungkan generalisasi rekayasa fitur dengan keunggulan model faktorisasi dalam memperkirakan interaksi antara variabel kategori domain besar."

Hanya beberapa ekstensi untuk jawaban Dileep.

Jika satu-satunya fitur yang terlibat adalah dua variabel kategori (mis. Pengguna dan item) maka FM setara dengan model faktorisasi matriks. Tetapi FM dapat dengan mudah diterapkan pada lebih dari dua dan fitur-fitur bernilai nyata.