推荐算法中的矩阵分解（2）

推荐算法中的矩阵分解（1）在这里：https://blog.csdn.net/Root__God/article/details/117283584

矩阵分解目标函数

在（1）当中提到了加入正则化的目标函数如下：

该目标函数是采用的最小二乘法原理，当时预测评分和真实评分之间的平方差和最小的时候，就意味着这个模型很好。

但很关键的问题是：如何求目标函数的最小值？

矩阵分解迭代过程

为了求目标函数的最小值，我们可以采用梯度下降方法。梯度下降原理在这里：https://blog.csdn.net/Root__God/article/details/122310907

简而言之，梯度下降就是按着目标函数偏导的反方向不断迭代我们的参数，直到求出局部最小值为止。

那梯度下降就分为两个步骤。①求偏导。②更新参数并迭代

1. 对目标函数求偏导

对于加入正则化的目标函数，我们对$q_i$求导：
− 2 ( r u i − q i T p u ) p u + 2 λ ∥ q i ∥ -2(r_{ui}-q_{i}^{T}p_u)p_u+2\lambda \left\| q_i\right\| −2(rui​−qiT​pu​)p