SVD在LFM的基础上了用户偏置、和商品偏置项,有的用户可能要求比较苛刻,他所有的评分都偏低,而有的商品可能质量比较好,所有用户对它的评分都偏高,其预测公式如下
$$\hat{r}_{ui}=\mu + b_u+b_i+p_u^Tq_i$$
其中\(\mu\)表示所用评分的均值,\(b_u\)表示用户与物品无关的偏置项,\(b_i\)表示物品与用户无关的偏置项。
求解上式依然用均方误差最小的梯度下降方法,为防止过拟合,常加入正则项,目标函数如下
$$\mathop{min}\limits_{b_u,b_i,p_u,q_i} \sum_{(u,i)\in T}(r_{ui}-\hat{r}_{ui})^2+\lambda b_u^2 + \beta b_i^2 + \gamma \lVert p_u\rVert^2 + \alpha \lVert p_i \rVert^2$$