介绍
深度学习未兴起时,传统矩阵分解(Matrix Factorization)是推荐领域中的一种经典方法,基本做法是:
- 把用户和商品映射到隐向量空间,用向量表示。
- 通过内积,来表示向量之间的相似性。
作者认为,通过内积来表示向量相似性的做法过于简单,有时候会出现错误,限制了模型的泛化能力。文中的一个例子:
对于(a)中的交互矩阵,用 s s s表示用户之间的相似度,可以明显得看出
s 23 ( 0.66 ) > s 12 ( 0.5 ) > s 13 ( 0.4 ) s_{23}(0.66) > s_{12}(0.5) > s_{13}(0.4) s23(0.66)>s12(0.5)>s13(0.4)
这也体现在(b)中 p 1 、 p 2 、 p 3 p_1、p_2、p_3 p1、p2、p3的夹角大小。当你在 ( a ) (a) (a)中把 u 4 u_4 u4考虑进去时,会得到:
s 41 ( 0.6 ) > s 43 ( 0.4 ) > s 42 ( 0.2 ) s_{41}(0.6) > s_{43}(0.4) > s_{42}(0.2) s41(0.6)>