Differenza tra macchine di fattorizzazione e fattorizzazione a matrice?

Mi sono imbattuto nel termine macchine di fattorizzazione nei sistemi di raccomandazione. So cos'è la fattorizzazione a matrice per i sistemi di raccomandazione, ma non ho mai sentito parlare di macchine per la fattorizzazione. Quindi qual è la differenza?

La fattorizzazione a matrice è un metodo per fattorizzare le matrici. Fa un lavoro di scomporre una matrice in due matrici in modo tale che il loro prodotto corrisponda strettamente alla matrice originale.

Ma le macchine di fattorizzazione sono di natura abbastanza generale rispetto alla fattorizzazione a matrice. La formulazione del problema in sé è molto diversa. È formulato come modello lineare, con interazioni tra funzionalità come parametri aggiuntivi. L'interazione di questa funzione viene eseguita nella loro rappresentazione dello spazio latente anziché nel loro formato normale. Quindi, insieme alle interazioni tra le caratteristiche come in Matrix Factorization, prende anche i pesi lineari di diverse funzionalità.

Quindi rispetto alla fattorizzazione a matrice, ecco le differenze principali:

1. Nei sistemi consigliati, in cui viene generalmente utilizzata la fattorizzazione a matrice, non è possibile utilizzare le funzionalità laterali. Ad esempio per un sistema di raccomandazione di film, non possiamo usare i generi di film, la sua lingua ecc. Nella fattorizzazione a matrice. La stessa fattorizzazione deve imparare questi dalle interazioni esistenti. Ma possiamo passare queste informazioni nelle macchine di fattorizzazione
2. Le macchine di fattorizzazione possono anche essere utilizzate per altre attività di previsione come la regressione e la classificazione binaria. Questo di solito non è il caso della fattorizzazione a matrice

Il documento condiviso nella risposta precedente è il documento originale che parla di FM. Ha anche un grande esempio illustrativo di cosa sia esattamente FM.

La fattorizzazione a matrice è un modello di fattorizzazione diverso. Dalla articolo su FM :

Esistono molti diversi modelli di fattorizzazione come la fattorizzazione a matrice, l'analisi dei fattori paralleli o modelli specializzati come SVD ++, PITF o FPMC. Lo svantaggio di questi modelli è che non sono applicabili per attività di previsione generali, ma funzionano solo con dati di input speciali. Inoltre, le equazioni del modello e gli algoritmi di ottimizzazione sono derivati ​​individualmente per ogni attività. Mostriamo che gli FM possono imitare questi modelli semplicemente specificando i dati di input (cioè i vettori delle caratteristiche). Ciò rende le FM facilmente applicabili anche per gli utenti senza conoscenze specialistiche nei modelli di fattorizzazione.

Da libfm.org:

"Le macchine di fattorizzazione (FM) sono un approccio generico che consente di imitare la maggior parte dei modelli di fattorizzazione mediante l'ingegnerizzazione delle caratteristiche. In questo modo, le macchine di fattorizzazione combinano la generalità dell'ingegneria delle caratteristiche con la superiorità dei modelli di fattorizzazione nella stima delle interazioni tra variabili categoriche di dominio di grandi dimensioni."

Solo qualche estensione alla risposta di Dileep.

Se le uniche funzionalità coinvolte sono due variabili categoriche (ad esempio utenti e articoli), FM è equivalente al modello di fattorizzazione a matrice. Ma FM può essere facilmente applicato a più di due funzionalità reali.