フィールド対応の因数分解マシン

フィールド対応の因数分解マシン（FFM）が標準の因数分解マシン（FM）と比較してどのように説明できるか？

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

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

高レベルの説明を求めているようです。元の投稿のスライド内でリンクされているスライドを参照すると、FM（スライド11）とFFM（スライド12）の比較があります。

簡単な例として、ユーザーと映画について学習している場合、FMには次の要因がある可能性があります。

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

FFMは次のようになります。

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

主な違いは、FMでは、w_{user_1}係数が両方の用語で同じであるということです。ユーザーの単一の概念があります。FFMでは、w_{user_1}映画やジャンルとの相互作用など、コンテキストごとに個別に学習します。特定の映画やジャンルごとに個別に学習するのではなく、一般に映画やジャンルごとに学習することに注意してください。つまり、インタラクションのタイプごとにユーザーのコンテキストを個別に学習します。

また、その用語はユーザーであると対話しているw_{movie_1}ためw_{movie_1, users}、に移動したことにも注意してくださいw_{user_1}。

$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$

標準的な因数分解マシンにもフィールドがあります。ここでの「目新しさ」は、GBDT機能の使用とハッシュトリックの適用のようです。それほど効果的ではないようですが、最後のスライドでパフォーマンスの範囲を確認してください。