Il prossimoProssima guida
Codice di machine learning per test unitari
Tecnico
GUIDA TECNICA
Le macchine di fattorizzazione modellano le interazioni di caratteristiche a coppie rappresentando ciascuna caratteristica con un vettore di fattori a bassa dimensionalità appreso.
Ascolta questa guidaNarrato dall'IA · ~3 min
Sono utili per impostazioni sparse come i consigli e la previsione dei clic, in cui molte combinazioni di funzionalità vengono osservate raramente ma i fattori latenti condivisi possono generalizzarsi in esse.
Molti problemi di previsione contengono caratteristiche e interazioni categoriche sparse. Una rappresentazione unica di utente, elemento, dispositivo, regione e contesto può creare un numero enorme di possibili coppie di funzionalità, la maggior parte delle quali appaiono raramente o mai. Un modello lineare cattura gli effetti delle singole funzionalità ma necessita di funzionalità incrociate esplicite per rappresentare le interazioni. Le macchine di fattorizzazione (FM) modellano questi effetti a coppie con vettori di fattori di basso rango. Una previsione FM di secondo ordine include un bias, un termine lineare per ciascuna caratteristica e un termine di interazione per ciascuna coppia di caratteristiche attive. Per le caratteristiche i e j, l'interazione è il prodotto scalare dei loro vettori latenti v_i e v_j, moltiplicato per x_i*x_j. La rappresentazione condivisa a bassa dimensionalità consente al modello di apprendere da osservazioni correlate: un vettore utente e dispositivo può combinarsi anche se la loro coppia esatta non è stata osservata frequentemente. Questa condivisione è particolarmente utile con dati sparsi. Ad esempio, nella previsione dei clic, il modello può includere ID utente, tipo di dispositivo, ID campagna e contesto temporale. Un'interazione fattoriale può rappresentare il fatto che alcuni utenti rispondono in modo diverso a determinati tipi di dispositivi senza creare un coefficiente separato per ogni possibile combinazione. Le dimensioni latenti vengono apprese dall'obiettivo supervisionato, ma non hanno automaticamente significati leggibili dall'uomo. La regolarizzazione controlla le dimensioni dei fattori e il ridimensionamento o la codifica delle funzionalità influisce sulle interazioni apprese. Gli FM presuppongono che le interazioni possano essere rappresentate da una struttura a coppie di basso rango. Potrebbero perdere effetti di ordine superiore a meno che non vengano estesi e possono adattarsi eccessivamente quando i dati sono scarsi o i fattori sono troppo grandi. Ereditano anche i pregiudizi nell’esposizione registrata: un clic non osservato non significa necessariamente disinteresse. Confrontare con linee di base lineari e di altro tipo utilizzando la valutazione time-aware. Valutare classificazione, calibrazione, prestazioni tra gruppi di utenti/articoli e copertura dei dati. La fattorizzazione è una tecnica di condivisione dei parametri, non una garanzia che le combinazioni invisibili siano previste accuratamente o che un'interazione latente sia causale.
Un ipotetico modello di annuncio utilizza l'ID utente, il dispositivo e gli indicatori della campagna. Una macchina di fattorizzazione può stimare un'interazione utente-dispositivo dai relativi vettori di fattori anche quando quella coppia esatta era rara nell'addestramento.
Per le funzionalità di un utente e di un elemento hot, un modello lineare apprende effetti separati ma non può esprimere l'interazione utente-elemento senza funzionalità incrociate esplicite. Una macchina di fattorizzazione fornisce punteggi di interazione a coppie attraverso vettori latenti.
Una riga sparsa con solo poche caratteristiche attive può calcolare i suoi termini a coppie senza materializzare una tabella densa di ogni possibile coppia di caratteristiche.
Un analista confronta una macchina di fattorizzazione con una linea di base lineare su una suddivisione basata sul tempo e controlla la calibrazione e la copertura del segmento; un forte adattamento all'interazione non significa automaticamente raccomandazioni imparziali.
Le macchine di fattorizzazione possono aiutare i team a modellare interazioni sparse mantenendo gestibili le pipeline di dati, ma la valutazione dovrebbe esaminare gli utenti e gli elementi con avvio a freddo, nonché le combinazioni comuni. I report possono confrontare dimensioni fattoriali, regolarizzazione e definizioni di funzionalità rispetto a una linea di base lineare, quindi monitorare la calibrazione e la qualità della classificazione nel tempo. Se l'esposizione degli elementi utente è selettiva, migliorare la registrazione o applicare un progetto di valutazione che ne tenga conto. I vettori latenti non dovrebbero essere commercializzati come spiegazioni senza convalida. Le future aggiunte di funzionalità richiedono controlli della disponibilità temporale e revisione della stabilità, in modo che il miglioramento dell'interazione offline non introduca perdite o lacune prestazionali ingiuste.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Le macchine di fattorizzazione modellano le interazioni di caratteristiche a coppie rappresentando ciascuna caratteristica con un vettore di fattori a bassa dimensionalità appreso. Sono utili per impostazioni sparse come i consigli e la previsione dei clic, in cui molte combinazioni di funzionalità vengono osservate raramente ma i fattori latenti condivisi possono generalizzarsi in esse.
I fattori latenti condivisi consentono il trasferimento delle informazioni tra coppie di caratteristiche anziché stimare ciascuna coppia in modo indipendente.
Senza interazioni, un modello lineare aggiunge effetti di funzionalità separati ma non può esprimere comportamenti specifici della coppia.
Un'identità algebrica calcola la somma a coppie nel tempo proporzionale al conteggio delle caratteristiche per la dimensione latente.
I fattori latenti sono rappresentazioni numeriche apprese e non sono automaticamente spiegazioni semantiche.
La formulazione standard include interazioni a coppie; gli effetti di ordine superiore richiedono estensioni o funzionalità aggiuntive.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Codice di machine learning per test unitari
Tecnico