目录
3. Factorization Machines (FM)
5. FMs与其它Factorization Models的比较
0. 摘要
在本文中,我们介绍了因式分解机(FM),它是一种新的模型,它结合了支持向量机(SVM)和分解模型(Factorization Models)的优点。与SVM类似,FM是与任何实值特征向量一起使用的一般预测器。与SVM相比,FM使用分解参数模拟变量之间的所有交互。因此,在特征较为稀疏的情况下,如推荐系统等,SVM模型不再适用,而FM引入factorized parameters,用于学习交叉特征。FM模型方程可以在线性时间内计算,因此FM可以直接优化。与非线性SVM不同,双重形式的转换不是必需的,并且可以直接估计模型参数,而无需解决方案中的任何支持向量。本文将展示与SVM的关系,以及FM在稀疏设置中进行参数估计的优势。
另一方面,有许多不同的因式分解模型,如矩阵分解,并行因子分析,或者专用模型如SVD ++,PITF或FPMC。这些模型的缺点是它们不适用于一般通用的预测任务,但仅适用于特定输入的任务。此外,他们的模型方程和优化算法是针对每个任务单独作用的。仅通过指定输入数据(即特征向量),FM就可以模仿这些模型。这使得即使对于没有分解模型专业知识的用户,FM也很容易适用。
关键词:稀疏数据;张量因子化;支持向量机。
1. 介绍
todo
2. 稀疏下的预测
todo
3. Factorization Machines (FM)
todo
4. FMs与SVMs的比较
todo
5. FMs与其它Factorization Models的比较
todo
参考文献:
1. FM论文
2. FM论文导读
3. 卡内基梅隆大学FM课件
4. 非常不错的讲解
5. 先看这个