← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9781.f · 生成模型:DeepSeek-V4.1-Flash

评分矩阵分解为隐因子

理解等级:中级

有 1~5 星评分时,矩阵里不是 0/1 而是数值,目标变成预测缺失的格子。矩阵分解假设:每个用户和每个物品各有一个低维隐向量(如 2 维),用户向量与物品向量的点积就是预测评分。于是 [用户数×物品数] 的大矩阵被近似成 [用户数×k] 与 [k×物品数] 两个小矩阵的乘积,参数量从百万级降到 (用户数+物品数)×k。隐因子没有先验含义,是训练出来的“类型”坐标,与词嵌入的处境相似。训练后对电影向量做 PCA,第一主成分恰好把高分片与低分片分开,说明它抓到了“这部电影好不好”这一维,第二维则难以解释。维度 k 是关键超参:太小欠拟合,太大容易记住训练集。

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23章 推荐系统 · 查看原书依据

      解决该问题的一种方法是假设每个用户都有一些潜在的“类型”,可表示为数字向量,并且每个商品都具有类似的潜在“类型”。 如果用户类型表示为 [num_users, dim] 矩阵,项目类型的转置表示为 [dim, num_items] 矩阵,其乘积是 [num_users, num_items] 矩阵。

    参考来源

    - 位置:《数据科学入门(第2版)》第23章 推荐系统(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0027.xhtml) - 结论依据:原文这一段直接给出本卡的核心判断:「解决该问题的一种方法是假设每个用户都有一些潜在的“类型”,可表示为数字向量,并且……」 - 原始内容:解决该问题的一种方法是假设每个用户都有一些潜在的“类型”,可表示为数字向量,并且每个商品都具有类似的潜在“类型”。 如果用户类型表示为 [num_users, dim] 矩阵,项目类型的转置表示为 [dim, num_items] 矩阵,其乘积是 [num_users, num_items] 矩阵。