Machines de factorisation conscientes du terrain

Quelqu'un peut-il expliquer comment les machines de factorisation conscientes du terrain (FFM) se comparent aux machines de factorisation standard (FM)?

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

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

Il semble que vous demandiez une description de haut niveau. Si vous vous référez aux diapositives liées aux diapositives de votre publication d'origine, il y a une comparaison entre FM (diapositive 11) et FFM (diapositive 12).

À titre d'exemple rapide, si vous découvrez les utilisateurs et les films, la FM peut avoir le facteur suivant:

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

FFM aurait:

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

La principale différence est qu'en FM, le w_{user_1}coefficient est le même dans les deux termes - il n'y a qu'une seule notion de l'utilisateur. Dans FFM, vous apprenez un w_{user_1}contexte différent pour chaque contexte, par exemple s'il s'agit d'une interaction avec des films ou des genres. Notez qu'il n'est pas appris séparément pour chaque film ou genre particulier, mais pour les films et les genres en général. Autrement dit, il apprend séparément le contexte de l'utilisateur pour chaque type d'interaction.

Notez également que w_{movie_1}allé w_{movie_1, users}puisque ce terme est en interaction avec w_{user_1}un utilisateur.

$Z$$z \in Z$$k_z$$X$$K := \sum_{z \in Z}k_z$

$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$

Les machines de factorisation standard ont également des champs. La "nouveauté" semble être ici l'utilisation des fonctionnalités GBDT et l'application des astuces de hachage. Pas grand-chose, semble-t-il: consultez la plage de performances en minutes sur la dernière diapositive.