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
户和物品自己的信息进行相似度计算,这就使协同过滤不具备泛化利用全局信息的能力)。 2.3.3 消除用户和物品打分的偏差
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)
,为了消除用户和物品打分的偏差(Bias),常用的做法是在矩阵分解时加入用户和物品的偏差向量,如(式2-10)所示。 其
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