稍微看了一些关于推荐方面的资料,做一下简单的总结。
推荐任务定义:
在一个标准推荐任务中,我们有 m 个用户(user),
n 个物品(item),以及一个稀疏评分矩阵 R(R∈Rm∗n) 。 R 中每个Rij 表示用户 i 对于物品j 的评分。如果 Rij≠0 ,那么说明用户 i 有对物品j 的评分,反之则没有。每一个用户 i 可以用向量sui=(Ri1,Ri2,...,Rin) 表示,同样地,每一个物品 j 可以用向量sij=R1j,...,Rmj 表示。对于用户和物品各自的边信息(side information)矩阵,则分别用 X∈Rm∗p 和 Y∈Rn∗q 表示。设 ui,vj∈Rk ,其中 ui 为用户 i 的隐因子向量(latent factor vector),
vj 则是物品 j 的隐因子向量(latent factor vector),k 是隐空间的维度。因而,对于用户和物品来说,对应的隐因子向量形式分别是 U=u1:m 和 V=v1:n 。由于 R=UV ,所以如果能够求出 U 和