La factorisation matricielle est une méthode pour factoriser des matrices. Il fait un travail de décomposition d'une matrice en deux matrices de telle sorte que leur produit correspond étroitement à la matrice d'origine.
Mais les machines de factorisation sont de nature assez générale par rapport à la factorisation matricielle. La formulation du problème elle-même est très différente. Il est formulé comme un modèle linéaire, avec des interactions entre les entités comme paramètres supplémentaires. Cette interaction de fonctionnalité se fait dans leur représentation d'espace latent au lieu de leur format brut. Ainsi, avec les interactions des fonctionnalités comme dans la factorisation matricielle, il prend également les poids linéaires des différentes fonctionnalités.
Donc, par rapport à la factorisation matricielle, voici les principales différences:
- Dans les systèmes recommandés, où la factorisation matricielle est généralement utilisée, nous ne pouvons pas utiliser les fonctionnalités secondaires. Ex. Pour un système de recommandation de films, nous ne pouvons pas utiliser les genres de films, leur langue, etc. dans la factorisation matricielle. La factorisation elle-même doit tirer ces enseignements des interactions existantes. Mais nous pouvons transmettre ces informations dans les machines de factorisation
- Les machines de factorisation peuvent également être utilisées pour d'autres tâches de prédiction telles que la régression et la classification binaire. Ce n'est généralement pas le cas avec la factorisation matricielle
Le document partagé dans la réponse précédente est le document original qui parle des FM. Il a également un excellent exemple illustratif de ce qu'est exactement la FM.
Dileep Kumar Patchigolla
la source