知识卡片
低维因子拟合稀疏评分
矩阵分解为用户i和商品j学习同维潜在向量uᵢ、mⱼ,用内积uᵢᵀmⱼ预测评分。书中R是用户×商品,U和M按列存用户与商品向量,故R≈UᵀM。只对已知评分拟合,空项表示未观测而非真实零分;低秩结构是建模假设,不能保证偏好都可由少量因子表达。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 机器学习:分布式算法 · 查看原书依据
矩阵分解方法又被称为因子模型(Factor Model),其假设用户的特征可以使用若干潜在因子来进行刻画。同样,商品(也可以是新闻、电影、音乐等其他类型的内容,为便于描述,后文统一用商品作为代表)的特征可以用同样的潜在因子来进行刻画。当用户的特征和商品的特征比较吻合时,我们假设用户会给这个商品较高的评分,也即可以将这种商品推荐给用户。这是其基本思想,下面对矩阵分解方法进行形式化描述。
参考来源
- 位置:《大数据日知录:架构与算法》第16章《机器学习:分布式算法》,原文段落54,OEBPS/text00021.html。
- 结论依据:原书给出的机制、公式或算法与其适用范围;实验百分比和2014年系统状态不当作当前普遍保证。
- 原始内容:矩阵分解方法又被称为因子模型(Factor Model),其假设用户的特征可以使用若干潜在因子来进行刻画。同样,商品(也可以是新闻、电影、音乐等其他类型的内容,为便于描述,后文统一用商品作为代表)的特征可以用同样的潜在因子来进行刻画。当用户的特征和商品的特征比较吻合时,我们假设用户会给这个商品较高的评分,也即可以将这种商品推荐给用户。这是其基本思想,下面对矩阵分解方法进行形式化描述。