知识卡片
矩阵分解的隐向量原理
矩阵分解不再直接比较用户或物品的行列向量,而是为每个用户和视频学一个隐向量,把它们定位到同一个隐向量空间里,距离相近即兴趣接近,按距离由近到远生成推荐。具体做法是把m×n的共现矩阵R分解成m×k的用户矩阵U与k×n的物品矩阵V相乘,用户u对物品i的预估评分就是其隐向量pu与qi的内积。隐向量维度k决定表达能力与泛化程度的权衡:k小则信息少但泛化高,k大则表达强但泛化低且求解更复杂,实践中需多次试验找推荐效果与工程开销的平衡点。由于隐向量来自对共现矩阵的全局拟合,任意用户和物品都能得到预测分,泛化能力明显强于协同过滤。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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2章 前深度学习时代——推荐系统的进化之路 · 查看原书依据
矩阵分解算法则期望为每一个用户和视频生成一个隐向量,将用户和视频定位到隐向量的表示空间上(如图 2-4(b)所示),距离相近的用户和视频表明兴趣特点接近,在推荐过程中,就应该把距离相近的视频推荐给目标用户
参考来源
- 位置:《深度学习推荐系统》第2章 前深度学习时代——推荐系统的进化之路(源文件:extracted/深度学习推荐系统/_epub-src/text/part0006_split_003.html)
- 结论依据:原文用Netflix视频场景说明矩阵分解为每用户每视频生成隐向量、按向量距离推荐,并给出R分解为U与V相乘及k的取值权衡。
- 原始内容:矩阵分解算法则期望为每一个用户和视频生成一个隐向量,将用户和视频定位到隐向量的表示空间上(如图 2-4(b)所示),距离相近的用户和视频表明兴趣特点接近,在推荐过程中,就应该把距离相近的视频推荐给目标用户