推荐系统笔记(矩阵分解)

                         基于矩阵分解的推荐算法，简单入门

一，基于矩阵分解的推荐算法相关理论介绍

基本思想 

       正如其名称所暗示的那样，矩阵分解显然是对矩阵进行分解，即找出两个（或更多）矩阵，这样当你将它们相乘时，你将得到原始矩阵。

        推荐系统中的经典问题：评分预测(实际应用中，评分数据很难搜集到，属于典型的精英问题)，与之相对的问题是行为预测。鉴于每个用户已对系统中的某些项目进行评级，我们希望通过这些已知的数据预测用户尚未评级的项目，以便我们可以向用户提出建议。怎么预测这些评分呢，协同过滤(Collaborative Filtering)算法是最经典的方法。而协同过滤算法进一步划分又可分为三种。第一种是基于用户(user-based)的协同过滤，第二种是基于项目(item-based)的协同过滤，第三种是基于模型(model based)的协同过滤。

      基本矩阵分解（basic MF）:

        将评分矩阵R分解为用户矩阵U和项目矩阵S， 通过不断的迭代训练使得U和S的乘积越来越接近真实矩阵，矩阵分解过程如图： 

              

数学理论基础 

        矩阵分解算法的数学理论基础是矩阵的行列变换。在《线性代数》中，我们知道矩阵A进行行变换相当于A左乘一个矩阵，矩阵A进行列变换等价于矩阵A右乘一个矩阵，因此矩阵A可以表示为A=PEQ=PQ（E是标准阵）。

接下来我们对这个矩阵分解过程做具体分析：

        现在假设现在我们有5个用户和10个项目，并且评级是从1到5的整数，矩阵可能看起来像下图1所示

       矩阵中，描述了5个用户(U1,U2,U3,U4 ,U5)对4个物品(D1,D2,D3,D4)的评分(1-5分)，- 表示没有评分，现在目的是把没有评分的 给预测出来，然后按预测的分数高低，给用户进行推荐。

       如何预测缺失的评分呢？对于缺失的评分&#x