ДалееСледующее руководство
Код машинного обучения для модульного тестирования
Технический
Техническое РУКОВОДСТВО
Машины факторизации моделируют взаимодействие парных признаков, представляя каждый признак с помощью изученного низкоразмерного вектора факторов.
Прослушайте это руководствоОзвучено ИИ · ~3 min
Они полезны для разреженных настроек, таких как рекомендации и прогнозирование кликов, где многие комбинации функций наблюдаются редко, но общие скрытые факторы могут обобщать их.
Многие задачи прогнозирования содержат мало категориальных функций и взаимодействий. Единое представление пользователя, элемента, устройства, региона и контекста может создать огромное количество возможных пар функций, большинство из которых появляются редко или никогда. Линейная модель фиксирует эффекты отдельных функций, но требует явных перекрестных функций для представления взаимодействий. Машины факторизации (FM) моделируют эти парные эффекты с помощью векторов факторов низкого ранга. FM-предсказание второго порядка включает в себя смещение, линейный член для каждого признака и член взаимодействия для каждой пары активных признаков. Для функций i и j взаимодействие представляет собой скалярное произведение их скрытых векторов v_i и v_j, умноженное на x_i*x_j. Общее низкоразмерное представление позволяет модели учиться на основе связанных наблюдений: вектор пользователя и устройства может объединяться, даже если их точная пара наблюдалась нечасто. Такое совместное использование особенно полезно при наличии разреженных данных. Например, при прогнозировании кликов модель может включать идентификатор пользователя, тип устройства, идентификатор кампании и временной контекст. Факторное взаимодействие может означать, что некоторые пользователи по-разному реагируют на определенные типы устройств, не создавая отдельный коэффициент для каждой возможной комбинации. Скрытые измерения извлекаются из контролируемой цели, но они автоматически не имеют удобочитаемого значения. Регуляризация контролирует размеры факторов, а масштабирование или кодирование функций влияет на то, какие взаимодействия изучаются. ФМ предполагают, что взаимодействия могут быть представлены парной структурой низкого ранга. Они могут пропустить эффекты более высокого порядка, если их не расширить, и они могут переобучиться, когда данные скудны или факторы слишком велики. Они также наследуют предвзятость в регистрируемом воздействии: незамеченный щелчок не обязательно означает незаинтересованность. Сравните с линейными и другими базовыми показателями рекомендаций, используя оценку с учетом времени. Оценивайте ранжирование, калибровку, производительность по группам пользователей/элементов и охват данных. Факторизация — это метод совместного использования параметров, а не гарантия того, что невидимые комбинации точно предсказаны или что скрытое взаимодействие является причинным.
Гипотетическая рекламная модель использует идентификатор пользователя, индикаторы устройства и кампании. Машина факторизации может оценить взаимодействие пользователя и устройства на основе их векторов факторов, даже если эта точная пара редко встречалась при обучении.
Для отдельных функций пользователя и элемента линейная модель изучает отдельные эффекты, но не может выразить взаимодействие пользователя и элемента без явных перекрестных функций. Машина факторизации выдает оценки парного взаимодействия через скрытые векторы.
Разреженная строка, содержащая всего несколько активных функций, может вычислить ее попарные члены без материализации плотной таблицы всех возможных пар функций.
Аналитик сравнивает машину факторизации с линейной базовой линией на основе временного разделения и проверяет калибровку и покрытие сегментов; сильное взаимодействие не означает автоматически беспристрастные рекомендации.
Машины факторизации могут помочь командам моделировать разреженные взаимодействия, сохраняя при этом управляемость конвейеров данных, но при оценке необходимо учитывать пользователей и элементы холодного запуска, а также общие комбинации. В отчетах можно сравнивать размеры факторов, регуляризацию и определения признаков с линейной базовой линией, а затем отслеживать качество калибровки и ранжирования с течением времени. Если воздействие на элементы пользователя является выборочным, улучшите ведение журнала или примените дизайн оценки, учитывающий это. Скрытые векторы не должны продаваться в качестве объяснений без проверки. Будущие дополнения функций требуют временных проверок доступности и проверки стабильности, чтобы улучшенное взаимодействие в автономном режиме не приводило к утечкам или несправедливым провалам в производительности.
Бесплатная рассылка
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Машины факторизации моделируют взаимодействие парных признаков, представляя каждый признак с помощью изученного низкоразмерного вектора факторов. Они полезны для разреженных настроек, таких как рекомендации и прогнозирование кликов, где многие комбинации функций наблюдаются редко, но общие скрытые факторы могут обобщать их.
Общие скрытые факторы позволяют передавать информацию между парами функций, а не оценивать каждую пару независимо.
Без взаимодействий линейная модель добавляет эффекты отдельных функций, но не может выразить поведение, специфичное для пары.
Алгебраическое тождество вычисляет попарную сумму за время, пропорциональное количеству признаков, умноженному на скрытую размерность.
Скрытые факторы представляют собой заученные числовые представления и не являются автоматически семантическим объяснением.
Стандартная формулировка включает парные взаимодействия; Эффекты более высокого порядка требуют расширений или дополнительных функций.
Продолжайте учиться
Другие руководства, выбранные по этой теме
ДалееСледующее руководство
Код машинного обучения для модульного тестирования
Технический