立即学习:https://edu.csdn.net/course/play/10085/215015?utm_source=blogtoedu
1~ 隐语义通过建模,迭代求解出两组隐含特征值。 隐含特征(2组:人和物品各自有一组)P1 P2 P3 Q1 Q2 Q3.
2~ 协同过滤要维护很大的表,而隐语义模型则是映射到一个相对较小的特征空间,空间复杂度低于 协同过滤。
1、隐语义模型求解就是求损耗函数c :data loss 的最小值,那就要通过求偏导数,和
神经网络很像 - 对P Q 分别求偏导数,可以想像成对神经网络中P Q 两层分别求偏导数
2、 P Q这两个参数就应该沿着梯度下降的方向去更新。
3、协同过滤和 隐语义模型的区别:协同是根据统计建模的思想,隐语义是和机器学习的思想一致的。二者从原理上来说有很大差异
4、如何选择负样本:
4.1、选择很热门,但是用户却没有行为的物品
5、F 值越大,说明映射空间的维度越大,不一定是好事
6、隐语义模型最终得到的是 P1 P2 P3 Q1 Q2 Q3 这样一系列值.用P Q值还原回去之后,得到一个比较稀疏的矩阵,就能知道人对物体的喜好程度了,从而进行个性化的推荐了