机器学习(5) 推荐 矩阵分解(Matrix Factorization)

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$R(R\in R^{m*n})$。$R$中每个$R_{ij}$表示用户$i$对于物品$j$的评分。如果$R_{ij} \neq 0$，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$s_i^{u}=(R_{i1},R_{i2}, ... ,R_{in})$表示，同样地，每一个物品$j$可以用向量$s_j^{i}={R_{1j},...,R_{mj}}$表示。对于用户和物品各自的边信息(side information)矩阵，则分别用$X\in R^{m*p}$和$Y\in R^{n*q}$表示。

设$u_i,v_j \in R^k$，其中$u_i$为用户$i$的隐因子向量(latent factor vector)，$v_j$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$U =u_{1:m}$和$V=v_{1:n}$。由于$R=UV$，所以如果能够求出$U$和