[论文笔记] 概率矩阵分解：Probabilistic Matrix Factorization

目录

Abstract

Introduction

MF

PMF

Constrained-PMF

​Result

---

Abstract

许多现有的协作过滤方法都不能处理 非常大的数据 ,也不容易处理 评分很少的用户。

在本文中，我们提出了 概率矩阵分解(PMF) 模型，该模型 与观测数据的数量成线性关系（为什么线性: 因为一个样本，梯度下降就更新一次参数），更重要的是，在大型、稀疏和非常不平衡的Netflix数据集上表现良好。

我们进一步扩展了PMF模型，以包括一个自适应的先验模型参数，并展示了如何自动控制模型容量。d4

最后，我们介绍了PMF模型的一个受限制的版本，该模型基于这样一个假设:对类似电影集进行评级的用户可能有类似的偏好。
此模型能够对评分很少的用户进行相当好的泛化性能。
当多个PMF模型的预测与预测受限玻尔兹曼机器模型 (怎么结合的:不同模型预测结果的线性组合)，我们实现了一个错误率0.8861，比Netflix自己的评分高出近7%。

Introduction

最流行的协同过滤方法之一是基于低维因子的模型。这些模型背后的想法是，用户的态度或偏好是由少量未被观察到的因素。在线性因