Значение скрытых черт?

15

Я пытаюсь понять модели матричной факторизации для рекомендательных систем и всегда читаю «скрытые функции», но что это значит? Я знаю, что означает особенность для учебного набора данных, но я не могу понять идею скрытых возможностей. Каждая статья по теме, которую я могу найти, слишком мелкая.

Редактировать:

если вы хотя бы можете указать мне на некоторые статьи, которые объясняют идею.

machine-learning data-mining recommender-system

— Джек Твен
источник

Вот простой пример, который может помочь вам quuxlabs.com/blog/2010/09/…

— Akavall

9

Скрытый означает, что непосредственно не наблюдается. Обычное использование термина в PCA и Factor Analysis состоит в том, чтобы уменьшить размерность большого количества непосредственно наблюдаемых признаков в меньший набор косвенно наблюдаемых признаков.

— samthebest
источник

Значит, уменьшенные размеры - это скрытые особенности? В случае PCA собственные векторы ковариационной матрицы, то есть главные компоненты, верно?

— Джек Твен,

Исправьте @AlexTwain

— samthebest

Можете ли вы предоставить мне учебник / документ, который упоминает об этом? Я не могу найти систематический учебник / документ!

— Джек Твен,

Ну, вики-страница довольно хорошая, вы можете следить за ссылками там, если вы действительно хотите en.wikipedia.org/wiki/Latent_variable

— samthebest

1

@JackTwain правильная аналогия PCA заключается в том, что скрытые функции являются собственными векторами. Основными компонентами являются веса, назначенные каждому наблюдению для главных собственных векторов. В других матричных моделях факторизации скрытые особенности играют роль собственных векторов. Это может звучать педантично, но ошибка не создает путаницы для людей.

— предположения

3

В контексте метода факторизации скрытые признаки обычно предназначены для характеристики элементов по каждому измерению. Позвольте мне объяснить на примере.

$R$ $R_{ui}$ $p_u^T q_i$ $p_u$ $u$ $q_i$ $i$

$p_u$ $q_i$

— Артем Соболев
источник

Я читал статьи, в которых скрытые элементы (скажем, «вектор пользователя») используются для предсказания некоторой целевой переменной (переменных), давайте в качестве примера рассмотрим пол. Это «работает» в том смысле, что прогнозирующая модель может быть построена таким образом. Мой вопрос: в чем разница между «вектором пользователя» и, скажем, усреднением «векторов элементов» для всех элементов, которые «посетил» пользователь? Итак, ожидаете ли вы, что прогнозирующая модель, упомянутая выше, будет лучше или хуже с одним против другого? Спасибо (если вы когда-нибудь увидите это).

— thecity2

@ thecity2, вы можете усреднять элементы пользователя, и это может быть полезно, когда вы имеете дело с новичками, для которых у вас нет предварительно вычисленных векторов пользователя (хотя для его вычисления должно быть сложно выполнить несколько итераций оптимизации). Существует также проблема с простым усреднением: чем больше элементов потреблено пользователем, тем ближе к нулю их средний вектор элементов (вероятно, из-за типичного регуляризатора L2 и, возможно, других неприятных свойств многомерных пространств). Наконец, наличие отдельного вектора более гибко: ваша модель может выучить такое усреднение.

— Артём Соболев

Тем не менее, есть попытки использовать историю пользователя для моделирования вектора пользователя. Например, см. Статью «Создайте свой собственный музыкальный рекомендатель путем моделирования потоков интернет-радио»

— Артем Соболев,

0

Я бы сказал, что факторы более репрезентативны, чем основные компоненты, чтобы получить представление о «латентности» / скрытости переменной. Задержка является одной из причин, почему поведенческие ученые измеряют перцептивные конструкции, такие как чувство, грусть, с помощью множества элементов / мер и выводят число для таких скрытых переменных, которые нельзя измерить напрямую.

— KarthikS
источник

0

Здесь ваши данные - это рейтинги, присвоенные различными пользователями для разных фильмов. Как отмечали другие, скрытые средства не поддаются непосредственному наблюдению.

Для фильма его скрытые свойства определяют количество действия, роман, сюжетную линию, известного актера и т. Д. Аналогично, для другого набора данных, состоящего из рукописных цифр, скрытыми переменными могут быть угол ребер, перекос и т. Д.

— исследователь
источник