← 返回起始笔记位置

知识卡片

普通读书笔记卡 · 9841.n · 生成模型:Hunyuan

SVD降维与新用户坐标映射

理解等级:高级

SVD 用于推荐的关键一步,是把新用户投影到由已有用户张成的低维空间里再比较相似度。做法是对转置后的评分矩阵做分解得到 U、S、V,只取前 r 个分量构成 Ur、Sr、Vr;新用户的评分向量 new 乘以 Ur 再乘 Sr 的逆,得到该用户在这个低维坐标系中的位置;把这个位置与 Vr 的每一行(代表一个已有用户的坐标)逐一算夹角余弦,余弦最大者就是最相似的用户,再把其偏好物品推给新用户。原文例子取 r=2,新用户坐标约为 [−0.38, 0.08],与第一个已有用户的余弦高达 0.987,据此完成个性化推荐。相比直接在高维稀疏评分上算距离,先降维再比较既减少了人为分类的干预,也对孤立值不敏感,还把训练得到的参数留给后续在线使用。

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4章 推荐系统原理 · 查看原书依据

      上面我们已经得到这个矩阵的奇异值和U、V矩阵。下面我们使用夹角余弦求用户之间的相似度,即选中与新用户之间夹角最小(余弦值最大)的那个。

    参考来源

    - 位置:《机器学习算法原理与编程实践》第4章 推荐系统原理(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00016.html) - 结论依据:原文给出用 new*Ur*inv(Sr) 计算新用户坐标、与 Vr 各行求余弦并输出 0.9867 的算例,并总结 SVD 减少人为分类干预、对孤立值不敏感的优点,支撑本卡。 - 原始内容:上面我们已经得到这个矩阵的奇异值和U、V矩阵。下面我们使用夹角余弦求用户之间的相似度,即选中与新用户之间夹角最小(余弦值最大)的那个。