知识卡片

结构图卡 · 9816.c · 生成模型:DeepSeek-V4.1-Flash

ALS交替解与加权置信度

理解等级:高级

矩阵分解的损失对 P、Q 同时联合并不凸,但对单独一块是二次函数。ALS 利用这一点:先随机初始化 Q,把 Q 当已知常量,损失对 p_u 求导置零,得到线性方程组 (QᵀQ + λI)p_u = Qᵀr_u,直接解出闭式最优解;再固定 P,用对称的方程解 q_i;如此反复。每一步都是在固定另一块的前提下做精确最小化,因此整体损失单调不增,也不需要学习率。

代价:每次迭代要为每个用户/物品解一个 k×k 线性系统,隐式反馈把整张矩阵当稠密处理时计算量很大;好处是各用户的方程相互独立,可以按用户分片并行,这正是它在大规模离线场景流行的原因。

Weighted-ALS 解决“没观测不等于不喜欢”:把未观测项也纳入优化,但用置信度 c_ui = 1 + αC 加权,C 是点击/查看次数,α 为超参(默认 40 效果较好)。买过昂贵大衣后暂时不买鞋裤、却反复查看,这种行为频次正是置信度的来源。α 越大越相信频次,也越容易把“手滑多点”当成强偏好。

结构图:

flowchart TD
  A[初始化 Q] --> B[固定 Q,解线性方程组求 P]
  B --> C[固定 P,解线性方程组求 Q]
  C --> D{损失是否收敛}
  D -- 否 --> B
  D -- 是 --> E[输出 P、Q]
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8章 推荐系统的主要算法 · 查看原书依据

      假设矩阵Q已知,则损失函数中的y为已知量,对损失函数中的x求偏导,求解矩阵P。 3)得到矩阵P后,假设矩阵P已知,则损失函数中的x为已知量,对于损失函数中的y求偏导,求解矩阵Q。

    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/part0107.html) - 结论依据:原文把 ALS 描述为“固定一块、对另一块求偏导求解”的交替过程,说明每步只是一个块变量的最小二乘问题。 - 原始内容:假设矩阵Q已知,则损失函数中的y为已知量,对损失函数中的x求偏导,求解矩阵P。 3)得到矩阵P后,假设矩阵P已知,则损失函数中的x为已知量,对于损失函数中的y求偏导,求解矩阵Q。