← 返回刚才阅读的位置

知识卡片

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

推荐分数是两个向量内积

理解等级:中级

矩阵分解把用户和物品映射进同一个 k 维空间,这个空间的每一维叫隐因子,含义是数据背后未被直接观测到的规律(例如“偏文艺”“偏动作”这类无法直接标注的维度)。用户 u 的向量记作 p_u,物品 i 的向量记作 q_i,预测分数就是两者内积 r̂_ui = p_u·q_i = Σ_k p_uk·q_ik:两个向量方向越一致,分数越高。

SVD 的损失函数由两项构成:一项是所有已观测样本的预测误差平方和(偏差),越小说明拟合越好;另一项是隐因子的 L2 正则项(乘系数 λ),限制向量幅度,控制方差、防止把稀疏观测记死。训练用随机梯度下降:设误差 e_ui = r_ui − r̂_ui,则 p_uk ← p_uk + η(e_ui·q_ik − λ·p_uk),q_ik 同理,每来一个样本就更新一次,迭代到达到设定次数或误差收敛。

要注意的边界:只有出现过的 (u,i) 才产生梯度,因此冷启动用户或长尾物品的向量几乎不动;λ 与学习率 η 需要一起调,η 过大时内积会发散。

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/part0106.html) - 结论依据:该句定义了隐因子空间的含义,是理解“预测分数=用户向量与物品向量内积”这一建模方式的前提。 - 原始内容:矩阵分解是把用户和物品映射到一个k维空间,这个k维空间被称为隐因子,物理含义是隐藏在矩阵数据背后的规律。