知识卡片
概率矩阵分解PMF
概率矩阵分解(PMF)把潜在因子看成随机变量,从似然角度重写分解。设评分 r_ui 服从均值 U_uᵀV_i、方差 σ² 的正态分布,U_u、V_i 分别为用户与物品的 K 维因子;用示性函数 I_ui 标记该评分是否被观测,未观测格不进入似然。再给 U、V 零均值、方差 σ_U²、σ_V² 的正态先验,最大化对数后验(MAP)等价于最小化 ΣI_ui(r_ui−U_uᵀV_i)²+λ_U‖U‖_F²+λ_V‖V‖_F²。‖·‖_F 是 Frobenius 范数,即矩阵所有元素平方和的开方,这里起 L2 正则作用。受限 PMF 进一步令用户特征为 U_u 加上其评价过的项目经约束矩阵 W 的列 W_j 加权的影响,把“评过相似物品的人口味相近”写进结构;评分在 0–1 之间时可对均值做 Logit 变换。
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
- · 第9章 推荐系统
原书出处 · 1 处
- 第9章 推荐系统 · 查看原书依据
前面介绍的矩阵分解算法从评分矩阵出发,分解得到隐因子空间的坐标。下面介绍一种算法,它假定隐因子是一个随机变量,通常再假定服从一个已知分布,比如正态分布。
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:原文假定评分服从正态分布、因子服从零均值正态先验,由最大化对数后验推出带 F 范数惩罚的最小二乘,并说明受限 PMF 用 W 的列刻画所评项目对用户特征的影响。
- 原始内容:前面介绍的矩阵分解算法从评分矩阵出发,分解得到隐因子空间的坐标。下面介绍一种算法,它假定隐因子是一个随机变量,通常再假定服从一个已知分布,比如正态分布。