知识卡片
电影推荐:评分处理与模拟评估
用 RBM 做电影推荐时,MovieLens 的评分是 1–5 的整数而非二值。二值化(大于 3 为 1,否则为 0)虽简单却会丢失信息,故把原始评分缩放到 [0,1],并将每个值视为单元取 1 的概率,即 v=P(v=1|h)。数据矩阵极稀疏,其中 0 表示未评分而非概率为零,因此每个吉布斯步骤后须把原本未评分的单元还原为 0,否则重构值会污染隐藏层与梯度计算,误差也只在已评分单元上计算。为评估无监督推荐,把每个用户 20% 的已有评分临时置零模拟,再比较预测与实际的均方误差,本例约为 0.038。
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
- 受限玻尔兹曼机和自编码器 RBM 实现与电影推荐 · 查看原书依据
最简单的解决方法是二进制化,例如,将大于三的等级转换为1(类似),否则将其转换为0(不喜欢)。 但是,这可能会导致信息丢失。 或者,在我们的解决方案中,我们将原始评级缩放到[0,1]范围,并将每个重新缩放的评级视为获得1的概率。 也就是说,v = P(v = 1 | h),不需要伯努利采样。
参考来源
- 位置:《Python深度学习架构实用指南(初译)》第03章《受限玻尔兹曼机和自编码器》(源文件:`../../book-sources/extracted/Python深度学习架构实用指南(初译)/_epub-src/OEBPS/Text/06.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文对比二值化与缩放为 [0,1] 概率两种评分处理法并说明后者避免信息丢失,支撑评分处理方案。
- 原始内容:最简单的解决方法是二进制化,例如,将大于三的等级转换为1(类似),否则将其转换为0(不喜欢)。 但是,这可能会导致信息丢失。 或者,在我们的解决方案中,我们将原始评级缩放到[0,1]范围,并将每个重新缩放的评级视为获得1的概率。 也就是说,v = P(v = 1 | h),不需要伯努利采样。