############
SVD、user-based、item-based协同过滤推荐之间的联系与区别
【这篇文章也写的很好,包括basline model->SVD->SVD++】
############
SVD和basline model和SVD++
https://blog.csdn.net/xiaocong1990/article/details/54909126
LSI:潜在语义分析(潜在:分解出来的潜在向量)
感觉潜在向量 ≈ 词向量,都是把稀疏矩阵->稠密向量,用稠密向量来代表潜在特征/含义。
这个词文档矩阵经过SVD分解:
结果:
其在协同过滤中的具体应用方法是先对user_movie的rating矩阵的缺失值用随机数据予以填充,然后将预处理之后的矩阵作为SVD算法的输入,进行迭代求解。
如何理解pca和svd的关系?
奇异值分解 SVD 的数学解释(计算例子)
超级通俗易懂的奇异值分解(SVD)讲解
奇异值分解及几何意义
#############
!!!Python学习笔记(四)——基于SVD的协同过滤(推荐算法),这个讲的很好,包括LSI和SVD协同过滤:
############
也就是说,SVD的左奇异矩阵可以用于行数的压缩。相对的,右奇异矩阵可以用于列数即特征维度的压缩。