梯度下降和矩阵分解

一.梯度下降法

假设我们爬山，如果我们想要最快到到山顶，那我们就应该从山势最陡的地方（即山势变化最快的地方）上山。

1.1 简介

梯度下降法，又名最速下降法，是求解无约束最优化问题最常用的方法，它是一种迭代方法，每一步主要的操作是为了求解目的函数的梯度向量，并以负梯度方向作为搜索方向 。
直观图像，如图所示（图1.平面图。图2.3.立体图）：

这里的每一个圈代表一个函数梯度，最中间的位置表示函数的极值点，每次迭代根据当前位置求得的梯度和步长找到一个新的位置（这里的步长是事先设好的并且可以根据图像进行修改）

1.2 梯度下降法——步骤

假设函数$y=f(x1,x2,x3...,xn)$只有一个极小值点（也只有函数只有一个极小值点时，那个极小值才最最准确的等于全局最小值）
初始给定参数为$X_0=(x_{10},x_{20},...,x_{n0})$。开始探索原函数的极小值点。

1.2.1 手工推导

1.2.2 特殊情形

当步长选取不当时：
（1）步长选取过小：这时有可能当你设定的迭代次数到达时仍未到达极小值。

（2）步长选取偏大时：这时候就可能会出现下图情形

（3）当步长非常大时：就会出现下图的**“之字走位“**

1.2.3 梯度下降终止条件

终止的方法有两个，一是迭代次数，二是终止条件的变化量ε(上述用到的是方法二)。
（1）当程序运行次数达到迭代次数时，此时结束程序，获得结果。
（2） 小于ε时，结束程序，获得结果。

1.3 梯度下降——分类

1.3.1 批量梯度下降法（BGD）

批量梯度下降法每次都使用训练集中的所有样本更新参数。它得到的是一
个全局最优解，但是每迭代一步，都要用到训练集所有的数据，如果总量很
大，那么迭代速度就会变得很慢。
优点：可以得出全局最优解。
缺点：样本数据集大时，训练速度慢。
如下图所示:

1.3.2 随机梯度下降法（SGD）

随机梯度下降法每次更新都从样本随机选择1组数据，因此随机梯度下降比
批量梯度下降在计算量上会大大减少。SGD有一个缺点是，其“噪音”较BGD
要多，使得SGD并不是每次迭代都向着整体最优化方向。而且SGD因为每
次都是使用一个样本进行迭代，因此最终求得的最优解往往不是全局最优
解，而只是局部最优解。但是大的整体的方向是向全局最优解的，最终的
结果往往是在全局最优解附近。
优点：训练速度较快。
缺点：过程杂乱，准确度下降。
如下图所示：

1.3.3 小批量梯度下降法 （MBGD）

小批量梯度下降法对穿插抽取总样本中的n个样本的数据集进行计算。综合了上述两种方法，既保证了训练速度快，又保证了准确度。

1.3小结*（在选取不同的梯度下降方法时要根据准确率具体定）。*

二.矩阵分解

2.1 预测矩阵

预测矩阵一般用符号$\hat{R}$来表示，有${\hat{r}}_{ij}$=$p_i^T{q}_j$=${\sum }_{k=1}^n{p}_{ik}{q}_{kj}$，（与$\hat{R}$的维度相同，其中${\hat{r}}_{ij}$是$\hat{R}$第i行第j列的元素值）。

2.1.1 矩阵分解相关理论

矩阵分解就是把原来的大矩阵，近似的分解成小矩阵的乘积，在实际推荐计算时不再使用大矩阵，而是使用分解得到的两个小矩阵，具体来说就是：假设用户物品的评分矩阵A是m乘n维，即一共有m个用户，n个物品.通过一套算法转化为两个矩阵U和V,矩阵U的维度是m乘k，矩阵V的维度是n乘k。这两个矩阵的要求就是通过下面这个公式可以复原矩阵A: 而直观上说U矩阵就是m个用户对k个主题的关系，Q矩阵就是K个主题对M个物品的关系，至于说K个主题具体是矩阵分解算法里的一个参数，一般取10到100之间。如何得到每一个用户，每一个物品的k个主题（k维向量），一般考虑两个要素：(1)、损失函数( 2)、优化算法。

2.1.2 矩阵分解的学习过程

（1）准备好用户物品的评分矩阵，每一条评分数据看作是一条训练样本。
（ 2）给分解后的U矩阵和V矩阵随机初始化元素值。
（3）用U和V计算预测后的分数。
（4)计算预测的分数和实际的分数误差 。
（5）按照梯度下降的方向更行U和V中的元素值 。
（6）重复步骤3到5，直到达到停止条件得到分解后的矩阵之后，实质上就是得到每个用户和每个物品的隐因子向量，拿着这个向量再做推荐计算更加简单，简单来说就是拿着物品和用户两个向量，计算点积就是推荐分数。

2.2 构造损失函数（loss函数）

使用原始的评分矩阵R与重新构建的评分矩阵$\hat{R}$之间的误差的平方作为损失函数，即：
$e_{ij}^2$=$(r_{ij}-{\hat{r}}_{ij}{)}^2$=$(r_{ij}-{\sum }_{k=1}^{k=n}{p}_{ik}{q}_{kj}{)}^2$
再通过梯度下降法，更新变量：
求导：
$\frac{\alpha }{\alpha p_{kj}}{e}_{ij}^2$=$-2(r_{ij}-{\sum }_{k=1}^k{p}_{ik}{q}_{kj})q_{kj}$=$-2e_{ij}{q}_{kj}$
$\frac{\alpha }{\alpha q_{kj}}{e}_{ij}^2$=$-2(r_{ij}-{\sum }_{k=1}^k{p}_{ik}{q}_{kj}$