知识卡片
矩阵分解的偏差项与优劣
不同用户的打分体系不同、不同物品的衡量标准也不同,直接分解会让隐向量掺入这些偏置。常见做法是在评分预测中加入全局偏差μ、用户偏差bu和物品偏差bi,分别可用用户和物品评分均值估计,并相应修改目标函数;这样隐向量更能反映用户对物品的真实态度差异。相比协同过滤,矩阵分解的优势是泛化能力强、能缓解数据稀疏,空间复杂度从n²降到(n+m)·k,且产出的隐向量与深度学习Embedding思想一致,便于拼接组合。局限同样明显:仍不方便加入用户、物品和上下文特征,在缺乏用户历史行为时无法有效推荐,这催生了逻辑回归及后续的因子分解机。
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
由于不同用户的打分体系不同(比如在5分为满分的情况下,有的用户认为打 3 分已经是很低的分数了,而有的用户认为打 1 分才是比较差的评价),不同物品的衡量标准也有所区别(比如电子产品的平均分和日用品的平均分差异有可能比较大)
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:原文先说明加入用户和物品偏差向量的动机与做法,再分条总结矩阵分解泛化强、空间低、扩展性好三点优势及无法融合特征、冷启动失效的局限。
- 原始内容:由于不同用户的打分体系不同(比如在5分为满分的情况下,有的用户认为打 3 分已经是很低的分数了,而有的用户认为打 1 分才是比较差的评价),不同物品的衡量标准也有所区别(比如电子产品的平均分和日用品的平均分差异有可能比较大)