推荐系统-矩阵分解 个人学习索引

• 这篇博客是我学习推荐系统中矩阵分解方法所查看过的相关资料和博客，每种方法会给出一篇对于我个人来说较易理解的博客或文章。

• 基于模型的协同过滤技术中尤为矩阵分解（Matrix Factorization）技术最为普遍和流行。评分矩阵（稀疏的，稀疏度90%以上）的补全问题。传统的奇异值分解算法只能对数据稠密的矩阵进行分解，而评分矩阵是极度稀疏的，因此，若要使用SVD对评分矩阵进行分解，首先要对矩阵的缺失值进行填充，这样便造成了数据量增加、数据失真等问题，所以人们开始研究对已有矩阵的分解。

1.SVD（奇异值分解），pureSVD：
https://blog.csdn.net/greedystar/article/details/84525643 作者：Freeman_zxp
相关知识 矩阵的对角化：https://baike.baidu.com/item/%E5%AF%B9%E8%A7%92%E5%8C%96/3476261
矩阵的特征值：
https://baike.baidu.com/item/%E7%9F%A9%E9%98%B5%E7%89%B9%E5%BE%81%E5%80%BC/8309765?fr=aladdin
*奇异值就是矩阵非负特征值的算术平方根
 

2.BasicSVD
https://www.pianshen.com/article/3579898557/ 第三大点
 

3.LFM（Funk SVD）又称RSVD，正则化SVD
https://blog.csdn.net/pearl8899/article/details/106367685 作者：凝眸伏笔
在BasicSVD的基础上添加了正则化项，防止过拟合。优化目标为最小化SSE和正则化项之和
 

4.Baseline estimates & Matrix factorization、Asymmetric-SVD、SVD++
这三种方法每一种都是对前一种方法的改进。
https://blog.csdn.net/greedystar/article/details/84525643 推荐系统：矩阵分解 (三)(四)(五)
作者：一颗贪婪的星
https://blog.csdn.net/turing365/article/details/80544594 SVD++也可以参考这篇文章
作者：turing365
 

5.TimeSVD
https://www.biaodianfu.com/matrix-factorization.html#TimeSVD++ 作者：钱魏Way
这篇文章中对其他方法的介绍也非常详细
 

6.PMF与BiasedMF
https://blog.csdn.net/shulixu/article/details/75349138 推荐算法中的MF, PMF, BPMF
作者：徐不依
https://www.tuicool.com/articles/RV3m6n 矩阵分解在推荐系统中的应用
作者：后来者XQ
PMF模型：用户与物品在特征维度上的交互
BiasedMF模型：在PMF基础之上，远好于PMF。
这两种方法我是在郭贵冰老师的《推荐系统进展：方法与技术》上了解到的。
 

7. 推荐系统中矩阵分解的总结
https://blog.csdn.net/qq_19446965/article/details/82079367
第7~13点给出了其他几种方法，作者还附带了提出相关方法论文的标题。
作者：Rnan-prince