现场感知分解机

谁能解释现场感知因式分解机（FFM）与标准因式分解机（FM）相比如何？

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

“现场感知”：http : //www.csie.ntu.edu.tw/~r01922136/kaggle-2014-criteo.pdf

似乎您在寻求高级描述。如果您参考原始帖子的幻灯片中链接的幻灯片，则可以比较FM（幻灯片11）与FFM（幻灯片12）。

举个简单的例子，如果您要了解用户和电影，则FM可能具有以下因素：

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

实况调查团将有：

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

关键区别在于，在FM中，w_{user_1}系数在两个方面都是相同的-用户只有一个概念。在FFM中，您可以w_{user_1}为每种情况学习单独的内容，例如，它是否与电影或流派互动。请注意，并不是针对每种特定的电影或流派单独学习它，而是通常针对电影和流派来学习它。也就是说，它针对每种类型的交互分别学习用户的上下文。

另请注意，由于该术语与用户互动w_{movie_1}而去了。w_{movie_1, users}w_{user_1}

假设（在一次热编码之前）您具有一组预测变量/字段（例如电影类型，用户性别和用户种族）。进一步假设，每个预测变量可以取值之一。经过一次热编码后，您将获得一组新的二进制特征，其大小为。$Z$$z \in Z$$k_z$$X$$K := \sum_{z \in Z}k_z$

在具有所有交互作用的模型中，必须估计交互系数的矩阵，该矩阵具有唯一项。$Q$$K\times (K+1) / 2$

分解机将结构放在矩阵，并假设，其中的维数为，其中由用户指定。我们估计代替。$Q$$Q \equiv W^{T} W$$W$$l \times K$$1\le l \le K$$W$$Q$

现场感知分解机也将结构放在。它基于（原始特征）将划分为块。如果表示的块，我们假设来源于的块，其中是尺寸的。如同FM，我们估计代替。$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$

的FM分解具有参数。“有意识的” FM具有 timesl参数。具有所有相互作用的模型具有参数。 $Q$$K \times l$$K\times l\times |Z|$$K \times (K+1)/2$

标准分解机也有领域。这里的“新颖性”似乎是GBDT功能的使用和哈希技巧的应用。似乎效果不佳：请查看最后一张幻灯片的分钟范围。