← 返回刚才阅读的位置

知识卡片

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

用梯度下降学嵌入

理解等级:中级

训练数据是 (user, movie, rating) 三元组,损失用平方误差。对每条评分先算预测值与真实分之差 error;由于预测是 sum(u_j × m_j),对 u_j 的梯度是 error × m_j,对 m_j 的梯度是 error × u_j,然后各自沿负梯度方向走一小步。全部数据扫一遍叫一个 epoch,书中跑 20 轮,每轮把学习率乘 0.9 逐步衰减,观察平均损失下降。这是最朴素的随机梯度下降,没有正则项也没有用户/物品偏置,因此对稀疏数据很敏感:只有出现过的 (user, movie) 对参与更新,从未被评分的用户或电影,其向量一直停在随机初值,预测只能靠泛化碰运气。

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

      给定嵌入,预测的评分由用户嵌入和电影嵌入的矩阵乘积得出。对于给定的用户和电影,该值只是相应嵌入的点积。 因此,让我们从生成嵌入开始。

    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:「给定嵌入,预测的评分由用户嵌入和电影嵌入的矩阵乘积得出……」 - 原始内容:给定嵌入,预测的评分由用户嵌入和电影嵌入的矩阵乘积得出。对于给定的用户和电影,该值只是相应嵌入的点积。 因此,让我们从生成嵌入开始。