LFM、BiasSVD、SVD++

1. SVD降维基本步骤

  ①用评分均值填充评分矩阵R的空缺

  ②分解R’

  ③保留前f个奇异值、奇异向量

  

  缺点：随着用户、项目的增加，R‘越来越大，使得计算速度变得非常缓慢.

  

2. 梯度下降法找J(θ)的最小值

  ① 记为样本数据的线性拟合函数

  记为拟合函数对应的误差函数（代价函数）

  ②梯度下降法求J(θ)的最小值

迭代公式：

3. 隐语义模型（LFM）

   ①R=PTQ，首先初始化矩阵P、Q

   ②损失函数          用梯度下降法最小化损失函数，从而求解出puf，qif

4. bias SVD

  ①在LFM的基础上，在评分rui上加一偏置量bui

     其中μ是全局平均数，bu是用户偏置，bi是物品偏置.

  ②加入偏置后，损失函数

   

    用梯度下降法最小化损失函数，从而求解出puf，qif，bu，bi

5. SVD++

  ①在bias SVD的基础上，在评分rui上加一“浏览喜好偏置”

     yj表示看了电影j反映出的个人喜好偏置，N表示看过的电影数量.

  ②损失函数

   

    用梯度下降法最小化损失函数，从而求解出puf，qif，bu，bi，yj