Матричная факторизация — это простая модель встраивания. Учитывая матрицу обратной связи A \(\in R^{m \times n}\), где \(m\) — количество пользователей (или запросов), а \(n\) — количество элементов, модель учится:
- Матрица встраивания пользователя \(U \in \mathbb R^{m \times d}\), где строка i — вложение для пользователя i.
- Матрица внедрения элементов \(V \in \mathbb R^{n \times d}\), где строка j — это вложение элемента j.
Вложения изучены таким образом, что произведение \(U V^T\) является хорошей аппроксимацией матрицы обратной связи A. Обратите внимание, что запись l10n-\((i, j)\) для \(U . V^T\) является просто скалярным произведением\(\langle U_i, V_j\rangle\) вложений пользователя \(i\)и элемента \(j\), который должен быть близок к \(A_{i, j}\).
Выбор целевой функции
Одной из интуитивно понятных целевых функций является квадрат расстояния. Для этого минимизируйте сумму квадратов ошибок по всем парам наблюдаемых записей:
\[\min_{U \in \mathbb R^{m \times d},\ V \in \mathbb R^{n \times d}} \sum_{(i, j) \in \text{obs}} (A_{ij} - \langle U_{i}, V_{j} \rangle)^2.\]
В этой целевой функции вы суммируете только наблюдаемые пары (i, j), то есть ненулевые значения в матрице обратной связи. Однако суммирование только значений одного значения не является хорошей идеей — матрица всех единиц будет иметь минимальные потери и даст модель, которая не может давать эффективных рекомендаций и плохо обобщает.
Возможно, вы могли бы рассматривать ненаблюдаемые значения как ноль и просуммировать все записи в матрице. Это соответствует минимизации квадрата расстояния Фробениуса между \(A\) и его аппроксимацией \(U V^T\):
\[\min_{U \in \mathbb R^{m \times d},\ V \in \mathbb R^{n \times d}} \|A - U V^T\|_F^2.\]
Вы можете решить эту квадратичную задачу с помощью разложения матрицы по сингулярным значениям ( SVD ). Однако SVD тоже не лучшее решение, потому что в реальных приложениях матрица \(A\) может быть очень разреженной. Например, сравните все видео на YouTube со всеми видео, просмотренными конкретным пользователем. Решение \(UV^T\) (которое соответствует приближению модели к входной матрице), скорее всего, будет близко к нулю, что приведет к плохой производительности обобщения.
Напротив, взвешенная матричная факторизация разбивает цель на следующие две суммы:
- Сумма по наблюдаемым записям.
- Сумма по ненаблюдаемым записям (обрабатывается как нули).
\[\min_{U \in \mathbb R^{m \times d},\ V \in \mathbb R^{n \times d}} \sum_{(i, j) \in \text{obs}} (A_{ij} - \langle U_{i}, V_{j} \rangle)^2 + w_0 \sum_{(i, j) \not \in \text{obs}} (\langle U_i, V_j\rangle)^2.\]
Здесь \(w_0\) — это гиперпараметр, который взвешивает два термина, чтобы цель не преобладала ни над одним, ни над другим. Настройка этого гиперпараметра очень важна.
\[\sum_{(i, j) \in \text{obs}} w_{i, j} (A_{i, j} - \langle U_i, V_j \rangle)^2 + w_0 \sum_{i, j \not \in \text{obs}} \langle U_i, V_j \rangle^2\]
где \(w_{i, j}\) — это функция частоты запроса i и элемента j.
Минимизация целевой функции
Общие алгоритмы минимизации целевой функции включают:
Стохастический градиентный спуск (SGD) — это общий метод минимизации функций потерь.
Метод взвешенных чередующихся наименьших квадратов ( WALS ) специально предназначен для этой конкретной цели.
Цель квадратична в каждой из двух матриц U и V. (Обратите внимание, однако, что проблема не является совместно выпуклой.) WALS работает, инициализируя вложения случайным образом, а затем чередуя между ними:
- Исправление \(U\) и решение \(V\).
- Исправление \(V\) и решение для \(U\).
Каждый этап может быть решен точно (через решение линейной системы) и распределен. Этот метод гарантированно сходится, потому что каждый шаг гарантированно уменьшает потери.
SGD против WALS
SGD и WALS имеют свои преимущества и недостатки. Просмотрите информацию ниже, чтобы увидеть, как они сравниваются:
сингапурский доллар
Очень гибкий — можно использовать другие функции потерь.
Можно распараллелить.
Медленнее — сходится не так быстро.
Сложнее обрабатывать ненаблюдаемые записи (необходимо использовать отрицательную выборку или гравитацию).
ВАЛЬС
Зависит только от площадей потерь.
Можно распараллелить.
Сходится быстрее, чем SGD.
Легче обрабатывать незамеченные записи.