← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 1781.h

低维因子拟合稀疏评分

理解等级:中级

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?

已有反馈 · 0 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。