知识卡片

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

两个独立假设导出BPR目标

理解等级:高级

BPR 用最大后验估计求解用户矩阵 W 和物品矩阵 H(记 θ = (W,H)):要求 P(θ | >_u) ∝ P(>_u | θ)·P(θ),其中 >_u 是用户 u 对所有物品的真实全序。要让这个式子可算,靠两条假设:

1)用户之间独立——似然可按用户拆成连乘,分母 P(>_u) 与 θ 无关,可直接丢掉; 2)同一用户对不同物品的排序独立——用户的全序进一步拆成所有物品对的连乘,每一对只需算 P(i >_u j | θ) = σ(x̂_ui − x̂_uj)。

先验取均值为 0、协方差为 λθI 的正态分布,取对数后先验项正比于 −λ‖θ‖²。于是目标变成 Σ_{(u,i,j)∈D} ln σ(x̂_uij) − λ‖θ‖²,用梯度上升沿 σ(−x̂_uij) 的方向更新用户与物品向量。

两个假设是“可分解”的代价:真实偏好常有上下文相关性(同一用户在一次会话内的选择并不独立),假设不成立时模型只能学到平均意义上的相对偏好。

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

      1)每个用户之间的行为偏好相互独立,即用户u在物品i和物品j之间的抉择与其他用户无关。 2)同一个用户对不同物品的排序相互独立,即用户u对物品i和物品j的排序与其他物品无关。

    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/part0108.html) - 结论依据:这两条独立假设是把最大后验中的似然拆成按用户、按物品对连乘的前提,也是目标函数能写成成对 sigmoid 求和的原因。 - 原始内容:1)每个用户之间的行为偏好相互独立,即用户u在物品i和物品j之间的抉择与其他用户无关。 2)同一个用户对不同物品的排序相互独立,即用户u对物品i和物品j的排序与其他物品无关。