知识卡片
矩阵分解协同过滤
当评分矩阵特别稀疏、维度巨大时,直接做基于用户/物料的协同过滤在时间和空间上都很吃力。基于模型的协同过滤用“矩阵分解(Matrix Factorization)”降低维度:把一个 m×n 的用户-物料矩阵拆成 m×p 和 p×n 两个小矩阵的乘积,前者每行是一个用户的 p 维向量,后者每列是一个物料的 p 维向量,两向量的点积还原出预测评分。
这两个小矩阵里的隐藏维度称为“潜在因子”,可以理解为用户/物料的隐藏特征(如“对恐怖片/浪漫片的偏好强度”)。潜在因子的维度深刻影响效果:维度越大越个性化,但过大容易过拟合。这些向量正是早期 Embedding 算法的起源——给每个用户和物料分配一个唯一向量,通过梯度下降自动学习二者关系(统称为共现关系)。
在多数推荐中缺乏评分标准,评分矩阵值通常为 1(有交互)或 0(无交互)。对这样的矩阵做分解,用户 Embedding 与物料 Embedding 的点积被压缩到 0~1 之间,这本质上就是 CTR 预估。可关联 [[协同过滤召回机制与评分矩阵]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 个性化召回层样本选择和模型选择 7.1 协同过滤召回 · 查看原书依据
矩阵因子就是早期Embedding算法的起源,通过为每个用户和物料安排一个唯一的向量来表示(后面都以Embedding来代替),通过梯度下降,模型自动学习用户和物料的关系,这种关系统称为共现关系
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第7章《个性化召回层样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/63.html;src-042)
- 结论依据:原文说明矩阵分解将大矩阵拆为两个小矩阵、潜在因子即隐藏特征,并指出矩阵因子是早期 Embedding 起源、点积压缩到0~1即CTR预估,支撑本卡。
- 原始内容:矩阵因子就是早期Embedding算法的起源,通过为每个用户和物料安排一个唯一的向量来表示(后面都以Embedding来代替),通过梯度下降,模型自动学习用户和物料的关系,这种关系统称为共现关系