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