เครื่องแยกตัวประกอบเขตข้อมูล

ทุกคนสามารถอธิบายได้ว่าเครื่องแยกตัวประกอบแบบตระหนักถึงสนาม (FFM) เปรียบเทียบกับเครื่องแยกตัวประกอบมาตรฐาน (FM) ได้อย่างไร

มาตรฐาน: http://www.ismll.uni-hildesheim.de/pub/pdfs/Rendle2010FM.pdf

"Field Aware": http://www.csie.ntu.edu.tw/~r01922136/kaggle-2014-criteo.pdf

ดูเหมือนว่าคุณกำลังขอคำอธิบายระดับสูง หากคุณอ้างถึงสไลด์ที่เชื่อมโยงภายในสไลด์ของโพสต์ดั้งเดิมของคุณจะมีการเปรียบเทียบ FM (สไลด์ 11) กับ FFM (สไลด์ 12)

ตัวอย่างเช่นหากคุณกำลังเรียนรู้เกี่ยวกับผู้ใช้และภาพยนตร์ FM อาจมีปัจจัยต่อไปนี้:

w_{user_1}*w_{movie_1}*... + w{user_1}*w_{genre_1}*...

FFM จะมี:

w_{user_1, movies}*w_{movie_1, users}*... + w{user_1, genres}*w_{genre_1, users}*...

ความแตกต่างที่สำคัญคือใน FM w_{user_1}ค่าสัมประสิทธิ์จะเหมือนกันทั้งสองคำ - มีความคิดเดียวของผู้ใช้ ใน FFM คุณเรียนรู้แยกต่างหากw_{user_1}สำหรับแต่ละบริบทเช่นไม่ว่าจะเป็นการโต้ตอบกับภาพยนตร์หรือประเภท โปรดทราบว่ามันไม่ได้เรียนรู้แยกต่างหากสำหรับภาพยนตร์หรือประเภทเฉพาะ แต่สำหรับภาพยนตร์และแนวเพลงโดยทั่วไป นั่นคือมันจะเรียนรู้บริบทของผู้ใช้สำหรับการโต้ตอบแต่ละประเภทแยกกัน

นอกจากนี้โปรดทราบว่าผู้ใช้w_{movie_1}ไปที่w_{movie_1, users}เนื่องจากคำนั้นโต้ตอบกับw_{user_1}ผู้ใช้

สมมติว่า (ก่อนการเข้ารหัสแบบร้อนแรง) คุณมีตัวทำนาย / ฟิลด์จากชุด (พูดประเภทภาพยนตร์เพศผู้ใช้และเชื้อชาติของผู้ใช้) สมมติเพิ่มเติมว่าz predict Zทำนายแต่ละตัวสามารถรับหนึ่งในค่าk z หลังจากการเข้ารหัสหนึ่งร้อนคุณจะมีชุดใหม่ของไบนารีมีXขนาดK : = Σ Z ∈ Z k Z$Z$$z \in Z$$k_z$$X$$K := \sum_{z \in Z}k_z$

ในรูปแบบที่มีปฏิสัมพันธ์ที่ทุกท่านต้องประมาณการเมทริกซ์ของการปฏิสัมพันธ์ค่าสัมประสิทธิ์ซึ่งมีK × ( K + 1 ) / 2แง่ที่ไม่ซ้ำกัน$Q$$K\times (K+1) / 2$

$Q$$Q \equiv W^{T} W$$W$$l \times K$$1\le l \le K$$W$$Q$

$Q$$Q$$z$$q_{z_i, z_j}$$z_i,z_j$$Q$$q_{z_i,z_j}$$z_i,z_j$$W_j^{T} W_i$$W_i$$l \times K$$W_i$$Q$

$Q$$K \times l$$K\times l\times |Z|$$K \times (K+1)/2$

เครื่องแยกตัวประกอบมาตรฐานมีฟิลด์ด้วย "ความแปลกใหม่" ที่นี่ดูเหมือนจะเป็นการใช้งานฟีเจอร์ของ GBDT และการประยุกต์ใช้เทคนิคการแฮ็ก ดูเหมือนจะไม่เป็นผลดีมาก: ลองดูประสิทธิภาพในช่วงนาทีสุดท้ายของสไลด์สุดท้าย