← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9816 · 生成模型:DeepSeek-V4.1-Flash

近邻模型为什么改用低秩矩阵分解

理解等级:中级

协同过滤的近邻做法要先算用户之间或物品之间的相似度,再按邻居的评分加权预测。它有两个硬伤:一是相似度携带的信息量并不随维度线性增长,多加维度未必带来更多区分度;二是评分矩阵本身极稀疏(用户画像、物品类别经 one-hot 展开后维度更高、更空),近邻结果对维度变化非常敏感,维度一变就要重算。

矩阵分解换了个建模方式:把 m×n 的评分矩阵 R 近似为 P(m×k) 与 Q(k×n) 的乘积,k 远小于 m、n。每个用户、每个物品因此被压缩成一个 k 维向量,预测退化为一次内积,不再需要在原始高维空间里找邻居。

代价与边界:隐因子没有可直接命名的物理含义,只能靠拟合数据获得;k 太小欠拟合,太大则把噪声也记下来;分解只利用已观测的评分,未观测格子被视为缺失而不是负例,这为后面 BPR 的改进留下伏笔。适用前提是评分矩阵近似低秩,且 k 需要用验证集调。

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

    参考来源

    - 位置:《智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)》第8章 推荐系统的主要算法(源文件:extracted/智能搜索和推荐系统:原理、算法与应用(零基础掌握搜索和推荐系统的原理、架构、算法) (智能系统与技术丛书)/_epub-src/text/part0105.html) - 结论依据:原文指出近邻模型的两点缺陷——信息量不随维度线性增长、矩阵稀疏且对维度敏感,正是改用低秩分解的动因。 - 原始内容:基于协同的模型都属于近邻分析模型,但是近邻分析模型又存在一些明显的问题。物品之间的相关性、信息量不因向量维度的增加而线性增加。