ALS（Alternating Least Squares）

最新推荐文章于 2021-09-06 13:58:37 发布

coco_1998_2

最新推荐文章于 2021-09-06 13:58:37 发布

阅读量392

点赞数

分类专栏：人工智能

原文链接：https://blog.csdn.net/QQ1003701882/article/details/51741845

版权

人工智能专栏收录该内容

26 篇文章 1 订阅

订阅专栏

ALS（Alternating Least Squares）算法是基于矩阵分解的协同过滤算法中的一种，它已经集成到 Spark 的 Mllib 库中，使用起来比较方便。

1.矩阵分解
这里的矩阵分解可以理解为，将一个 m×n 的矩阵A分解为一个m×k的矩阵U和n×k的矩阵V的转置的乘积的近似值，即
$A_{m×n} \approx U_{m×k} \times V_{n×k}^T$

将这个公式放到推荐系统中，则 $A_{m×n}$ 表示用户对产品的偏好评分矩阵， $U_{m×n}$ 代表用户对隐含特征的偏好矩阵， $V_{m×n}$ 表示产品所包含的隐含特征矩阵。
为了使矩阵 U 和 V 转置的乘积尽可能接近 A，我们使用用户喜好特征矩阵 U(m∗k) 中的第 i 个用户的特征向量 $u_{i}$ ,和产品特征矩阵V(n∗k)第j个产品的特征向量 $v_{j}$ 预测打分矩阵 A(m∗n) 中的 $a_{i×j}$ ,需要最小化平方误差损失函数：
$C =\sum_{i,j\in R}[(a_{ij}-u_{i}v_{j}^T)^{2}+\lambda(u_{i}^2+v_{j}^2) ]$

有了损失函数之后，下面就开始介绍优化方法。通常的优化方法分为两种：交叉最小二乘法（alternative least squares）和随机梯度下降法（stochastic gradient descent）。

2.交替最小二乘法(ALS)
在开始的时候，随机初始化一个 $u_{i}$ 的值，因此上式就变成了一个关于 $v_{i}$ 的函数，问题转化为最小二乘问题，用最小二乘法求 $v_{j}$ 的最优解：

这里写图片描述
其迭代步骤是：首先随机初始化 $u_{i}$ ，利用上述方法更新得到 $v_{j}$ ，然后利用 $u_{i}$ 的表达式更新 $u_{i}$ ，直到RMSE（均方根误差）变化很小或者到达最大迭代次数为止。

coco_1998_2

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
ALS（Alternating Least Squares）

ALS（Alternating Least Squares）算法是基于矩阵分解的协同过滤算法中的一种，它已经集成到 Spark 的 Mllib 库中，使用起来比较方便。1.矩阵分解这里的矩阵分解可以理解为，将一个 m×n 的矩阵A分解为一个m×k的矩阵U和n×k的矩阵V的转置的乘积的近似值，即将这个公式放到推荐系统中，则表示用户对产品的偏好评分...
复制链接

扫一扫

专栏目录