知识卡片

问题卡 · 9638.i · 生成模型:DeepSeek-V4.1-Flash

邻域法局限与矩阵分解

理解等级:高级

邻域方法依赖共同评分:数据量很大时两两相似度计算昂贵,用户只评过几件物品时邻居集合又不可靠,推荐退化为全局平均。矩阵分解换一种假设:用户和物品之间只有少量潜在因子(电影的类型如恐怖、爱情、搞笑,食品的口味如酸甜辣咸),把每个用户和物品都表示成 K 维向量 p_u、q_i,评分近似为内积 q_iᵀp_u。K 远小于用户数与物品数,因此这是降维,也是对缺失格的平滑外推。求解来自对观测评分矩阵做 SVD:R≈UDVᵀ,只保留前 K 个最大奇异值,把 D 并入 U、V 得 Q、P;奇异值越小对矩阵贡献越小,截断即去噪。它随观测数线性扩展,但完全没有任何评分的新用户或新物品(冷启动)仍缺少输入,因子含义也需事后解释。

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

    • 第9章 推荐系统 · 查看原书依据

      已有的很多协同过滤方法或者不能处理非常大的数据集,或者处理不好用户评价非常少的情况。矩阵分解方法可以方便地随着观测数线性扩展。

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第9章 推荐系统(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter11_0002.xhtml,9.2 潜在因子与矩阵分解算法) - 结论依据:原文指出协同过滤方法难以处理超大或极稀疏数据,矩阵分解可随观测数线性扩展;随后说明潜在因子假设、SVD 截断与前 K 个奇异值的含义。 - 原始内容:已有的很多协同过滤方法或者不能处理非常大的数据集,或者处理不好用户评价非常少的情况。矩阵分解方法可以方便地随着观测数线性扩展。