矩阵分解(MATRIX FACTORIZATION)在推荐系统中的应用

本文介绍了矩阵分解在推荐系统中的应用,详细阐述了基本思想、形式化描述,包括带偏置、标签和历史隐式反馈、时间因素的矩阵分解。矩阵分解通过用户和物品的特性矩阵降低评分矩阵的维度,预测用户喜好,具有良好的扩展性。
摘要由CSDN通过智能技术生成

前言


最近一段时间隐语义模型(Latent Factor Model,LFM)在推荐系统中的应用越来越广泛,本文所介绍的矩阵分解方法也是基于这个隐语义模型。
这里需要说明的一点是,这里所说的矩阵分解并不是SVD,之前在这个问题纠结了很久,因为网上很多人还有周围的人都把矩阵分解就当成了SVD,实际上SVD也是矩阵分解的一种技术(SVD在推荐系统中的应用见http://blog.csdn.net/wuyanyi/article/details/7964883,这篇才是真正的SVD推荐的方法,而其他很多网上所指的SVD就是本文所介绍的)。

基本思想


评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值