推荐系统学习之概率算法及其增量算法

本文探讨了推荐系统中的概率算法,基于PageRank原理,详细介绍了转移矩阵T和得分矩阵S的构建。通过矩阵对角化简化计算,讨论了用户与商品非等价地位的思考,并提出了增量计算的可能性,旨在理解推荐系统的内在机制。
摘要由CSDN通过智能技术生成

0.絮

  1. 前些阵子了参加了一个天池的推荐比赛,做了一些,想了很多,因此有了下文。顺便了解过一点markdown,发现还挺好的。这次用用看。
  2. 不久之前在使用链表的时候,遇到一个困难:怎么让有序链表的有序产生应有的提升查询效率的作用。答案:skip_link

1.推荐算法与概率

谈到推荐吧,我知道的也很少,总括的这种就不吹了。第一个和概率有关的推荐算法应该是“关联规则挖掘”,就是置信度、支持度那个,我就不多言了,接下来一个的则是“Page Rank”,这一个方法曾经被广泛的用于搜索引擎的网页排名中,亦是本文将要关注的重点对象。而选择这一个too young too naive的算法出发的原因就是it is simple

2.环境设定

PR(PageRank)中,只有一个要素:网页,一种关系:网页与网页之间的Arrow(矢量:既有大小又有方向),而在推荐中涉及两个要素:U 用户I 物品,一种关系:用户作用(购买、浏览、评价)了物品的Arrow。为了能够尽情的抄袭 PR我们做以下两点假设:
- UI的地位是等价,我们可以尽情的把它们当做Page来处理。
- 每一个Array(作用)都是双向的 。
完全不了解PR的朋友可以点击脑补一下

2.1.转移矩阵 T

PR类似,转移矩阵T是这个方法中的关键部分。转移矩阵如下图所示:分为四部分。
矩阵图示

  • UU矩阵:用户到用户之间的转移矩阵,为0矩阵,m为用户个数。
  • UI矩阵 :用户到物品的转移矩阵,用户购买的物品取值为1/NumI(NumI为用户购买物品数量)。
  • IU矩阵 :物品到用户的转移矩阵,购买过该物品的用户位置取值1/NumU(NumU为该物品的购买用户数)。
  • II矩阵 :商品到商品的转移矩阵,为0矩阵,n为物品个数。
    整体是一个(m+n)的方阵,前面m个是用户的部分,后面n个为商品的部分。
2.2得分矩阵 S

T矩阵类似也分为4个部分:

  • UU矩阵:向用户到用户的推荐得分。
  • UI矩阵 :向用户推荐物品的得分矩阵。
  • IU矩阵 :向物品推荐用户的得分矩阵。
  • II矩阵 :向商品推荐商品的得分矩阵。
  • 整体是一个(m+n)的方阵,初始得分记做S0,为单位矩阵

始终满足以下等式:

  1. Sn+1=SnT
  2. Sn=S0Tn

不难发现

  1. 当n为偶数时,Sn中的紫色块为0矩阵,可以解释为同类元素之间的相似性(包括物品相似性和用户相似性)。
  2. 当n为奇数时,Sn中的非紫色块为0矩阵,可以解释为不同类元素之间的相似性(向用户推荐物品得分以及向物品推荐用户得分)。

3.该方法的简单性质

3.1Sn 可计算

Sn=S0Tn 敬爱的数学老师曾经告诉我们一个技巧: T=PAP1 而这一过程称为矩阵对角化,如果使用矩阵求逆的方法来求A、P矩阵,其算法复杂度主要取决与这个求逆运算,而矩阵求逆运算的复杂度为

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值