Abstract
1.
Factorization Machine은 SVM과 Factorization Model의 장점을 합친 모델임
2.
SVM은 sparsity한 문제에 대해 잘 동작하지 않음.
a.
FM은 factorized model을 이용해서 interaction을 모델링하기 때문에 잘 동작함.
3.
FM의 계산이 linear time임을 보인다.
a.
nonlinear SVM과 다르게, dual form으로의 변환이 필요하지 않고 model parameter 또한 support vector 없이 바로 추정이 가능하다.
b.
SVM과의 관계를 보이고 sparse setting에서 FM의 파라미터 추정이 가지는 이점을 보이겠다.
4.
한편으로는 Factorization 모델도 엄청 많다. 이것들은 general prediction task가 안 되고, 특별한 input에 대해서만 된다.
a.
각 task에 맞는 공식과 알고리즘이 존재한다.
b.
FM은 Factorization을 그냥 피쳐 벡터를 특정하는데 사용함.
Previous Method: SVM, MF
Main Focus: Sparsity on SVM, Generalization on MF
Why Important
- SVM에서 sparsity 문제 해결을 통해 추천 시스템 문제에 적용가능한 모델 개발을 시도
- SVM의 특징을 그대로 들고오면서, 특정 task에 종속적인 모델이 아님 (MF는 점수 예측만 가능)
- 뿐만 아니라 데이터 또한 점수 뿐만 아니라 다른 실수 데이터도 가능하다는 점에서 일반화 가능