原书出处
深度学习推荐系统
02 第2章 前深度学习时代——推荐系统的进化之路
物品均为物品 D,因此在以 ItemCF 为基础构建的推荐系统中,物品 D将被推荐给所有对A、B、C有过正反馈的用户。
但事实上,物品D与A、B、C相似的原因仅在于物品D是一件热门商品,系统无法找出 A、B、C 之间相似性的主要原因是其特征向量非常稀疏,缺乏相似性计算的直接数据。这一现象揭示了协同过滤的天然缺陷——推荐结果的头部效应较明显,处理稀疏向量的能力弱
。 为解决上述问题,同时增加模型的泛化能力,矩阵分解技术被提出。该方法在协同过滤共现矩阵的基础上,使用更稠密的隐向量表示
原书定位详情
来源:a19c7933-4eda-4176-aebd-30fe7e1ad292
正文位置:extracted/深度学习推荐系统/_epub-src/text/part0006_split_002.html
EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382