← 返回卡片

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

核验版本的摘录快照 · 导入于 2026-11-19T07:39:55.619Z

及 U 和 V中对应的维度,矩阵M被分解为M≈Um×kΣk×kVk×nT,至此完成了隐向量维度为k的矩阵分解。 可以说,

奇异值分解似乎完美地解决了矩阵分解的问题,但其存在两点缺陷,使其不宜作为互联网场景下矩阵分解的主要方法。 (1)奇异值分解要求原始的共现矩阵是稠密的。互联网场景下大部分用户的行为历史非常少,用户-物品的共现矩阵非常稀疏,这与奇异值分解的应用条件相悖

。如果应用奇异值分解,就必须对缺失的元素值进行填充。 (2)传统奇异值分解的计算复杂度达到了O(mn2)的级别[4],这

此预览只包含定位所需的摘录和上下文。

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_003.html

EPUB SHA-256:2cd732704a51828ea5c0ec7decb8861b35f44e5e16d9af11fbc68f7084f63382