推荐系统经典算法之——MF（矩阵分解）

1.来源

矩阵分解算法（MF）是为了解决协同过滤算法（CF）在以下两点上的不足而提出的。

CF处理稀疏矩阵的能力弱。
CF中相似度矩阵的维护难度大。
e.g. user矩阵为mm，item矩阵为nn，当m与n很大时，维护起来难度大

2.解决

张三，李四，王五分别对音乐A，B，C进行了打分，其中标红的为应用MF预测的分数，根据线代知识我们可以知道，只要知道了图1 矩阵A
和图2 矩阵B
两个矩阵，便可以得到
图3 矩阵C
矩阵。因此，MF的目的便是学习得到前两个矩阵。
在矩阵A、B、C中，小清新等叫做隐向量，给每个用户每首音乐打上标签。

下面针对稀疏矩阵来看MF

在实际的应用场景中，我们不可能知道每个用户对每首音乐的偏好与打分情况，因此，我们需要用MF来进行预测。如果能把共现矩阵R拆解成为用户矩阵U与物品矩阵V，并且用一定的K1,K2…等隐向量来表示U与V矩阵，则可以进行打分预测。

矩阵是稀疏的
List item隐向量的个数决定了隐向量的表达能力的强弱，K的个数越多，表达能力就越强，理解起来就是把用户的兴趣和物品的分类划分的越详细
这里的k，即隐向量是不可解释的，即我们不知道具体的含义，需要模型自己去学习
通过用户矩阵和物品矩阵，预测评分。公式：

3.总结

推荐系统经典算法之——MF（矩阵分解）相关推荐

python实现lfm_推荐系统召回算法之——LFM(矩阵分解)
目录 1.LFM算法原理 2.LFM数学原理 3.应用场景 4.python实现 5.总结算法原理:LFM(later factor model)是一种基于矩阵分解的召回算法,输入UI点展矩阵,输出 ...
TensorFlow2实现协同过滤算法中的矩阵分解（首家基于TS2版本）
目标: 用TensorFlow2,实现协同过滤算法中的矩阵分解.网上找的绝大部分是基于一个模板复制出来的,且基于TensorFlow1,因此本人亲自动手,用TensorFlow2实现. 好奇为什么Te ...
mf模型 svd++_算法小板报(六)——初探MF(矩阵分解)和FM模型
一.简介矩阵分解(Matrix Factorization,MF)是推荐系统中非常经典的一个算法,虽然现今工业界直接使用的较少,但其背后蕴含的编码降维思想,得以广泛应用于推荐领域之中.本文则主要来梳 ...
矩阵sum_推荐系统——从协同过滤到矩阵分解
本文简单扼要地介绍推荐算法中的两种经典算法:协同过滤和矩阵分解.内容有以下三部分协同过滤算法矩阵分解协同过滤与矩阵分解的关系早期的推荐系统以业务理解为核心,通过复杂的规则描述来向用户推荐商品, ...
矩阵奇异值分解特征值分解_推荐系统中的奇异值分解与矩阵分解
矩阵奇异值分解特征值分解 Recently, after watching the Recommender Systems class of Prof. Andrew Ng's Machine Lea ...
推荐系统组队学习03、矩阵分解
矩阵分解矩阵分解矩阵分解算法的原理 **矩阵分解算法的求解** Basic SVD 编程实现补充协同过滤算法: 特点: 仅利用了用户与物品的交互信息就可以实现推荐,是一个可解释性很强, 非常直 ...
推荐系统--联邦学习下的矩阵分解(6)
推荐系统–矩阵分解(1) 推荐系统–矩阵分解(2) 推荐系统–矩阵分解(3) 推荐系统–矩阵分解(4) 推荐系统–矩阵分解(5) 推荐系统–矩阵分解(6) 9 应用于联邦学习的矩阵分解这个部分主要参 ...
矩阵分解java_推荐系统基础:使用PyTorch进行矩阵分解进行动漫的推荐
我们一天会遇到很多次推荐--当我们决定在Netflix/Youtube上看什么,购物网站上的商品推荐,Spotify上的歌曲推荐,Instagram上的朋友推荐,LinkedIn上的工作推荐--列表还 ...
推荐系统经典算法之协同过滤
讲推荐算法,就不得不提协同过滤,协同过滤是推荐系统中比较经典的推荐算法之一,我们常用的协同过滤算法共有两种,既基于物品的协同过滤.基于用户的协同过滤:它们的效果由训练模型的数据特征选取.训练过程中的 ...