iT邦幫忙

2022 iThome 鐵人賽

DAY 16
0
AI & Data

親手打造推薦系統系列 第 16

Day16 - 因數分解機簡介 - 搞定稀疏又非線性的回歸問題 - 親手打造推薦系統

  • 分享至 

  • xImage
  •  

今天簡介因數分解機 Factorization Machines (FM)

傳統機器學習問題遇到的問題

  1. 一般機器學習演算法,只考慮特徵向量要如何給權重。但特徵之間也會互相影響,這些並沒有被表達出來。
  2. logistics regression algorithm model 使用的是線性組合,這只能處理線性問題,但若我們的問題是非性的,就功用有限。

為什麼回歸問題要考慮特徵之間的相關性呢?

  1. 因為特徵間並不是互相獨立的,經過實際資料分析,特徵之間的相關度,對事件結果的發生會產生很大的影響。
  2. 若能將特徵之間的相關性做為推薦時的參考資料,就可以提高推薦的準確度。

Factorization Machines (FM)

  1. Steffen Rendle等人於2010年提出,是基於矩陣分解的機器學習演算法。
  2. 是一種通用的預測器,即使在 SVM 失效的推薦系統中,FM 透過計算出特徵間的交互性,進而找出要推薦的東西。
  3. 該模型結合了支援向量機(SVM)和因數分解模型的優點。

FM 的優點

  1. SVM 對於稀疏矩陣很難做出好的預測,但 FM 可以做到。
  2. 補足了線性回歸模型沒有考慮特徵間關係的弱點。

FM 的影響

此演算法也影響了後面許多推薦演算法,如 FFM 、 DeepFM 等,都是他的改進或精神延伸。所以這算是學習推薦演算法中,一定要了解的演算法。


上一篇
Day15-如何用邏輯回歸(LR)解決推薦電影問題?-親手打造推薦系統
下一篇
Day17 - 因數分解機(FM)為什麼有用? - 親手打造推薦系統
系列文
親手打造推薦系統30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言