知识卡片

普通读书笔记卡 · 9638.l · 生成模型:DeepSeek-V4.1-Flash

SVD++融合隐式反馈

理解等级:高级

评分只是显式反馈,用户还留下大量隐式反馈:浏览过、放入购物车、收藏,却没有打分。这些行为无法直接变成评分,却透露偏好。SVD++ 的做法是给每个物品 i 额外设一个因子向量 y_i∈R^K,把用户 u 在 S(u)(对其存在隐式反馈的物品集合)中物品的 y_j 汇总进用户表示,预测仍为物品因子与“用户因子加隐式部分”的内积。直觉是:一个人评价过或接触过哪些物品,本身就框定了他的口味,无须知道具体原因。这样,即使显式评分很稀疏,隐式行为仍能提供定位信息,推荐精度通常优于纯评分模型。求解仍在观测评分上做 SGD,并常对 b_u、b_i 与 p_u、q_i、y_j 使用不同的惩罚参数 λ。

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

      因此考虑非显性评分可以提高推荐的精度,显示用户的倾向。用户对哪些物品评了分,这些物品反过来能够潜在反映用户的某些倾向,而我们不必知道这种倾向具体的原因是什么,这就产生了 SVD++算法。

    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:原文从浏览未评分的行为出发,指出隐式反馈隐含在评分矩阵内部,并给出 SVD++ 为物品增设 y_i、以 S(u) 汇总隐式信息的做法及分参数惩罚。 - 原始内容:因此考虑非显性评分可以提高推荐的精度,显示用户的倾向。用户对哪些物品评了分,这些物品反过来能够潜在反映用户的某些倾向,而我们不必知道这种倾向具体的原因是什么,这就产生了 SVD++算法。