BRR的学习

 

我的老师最初的研究方向就是推荐系统，BPR是他推荐给我最初的一篇论文，是推荐系统的开篇之作，很具有学习的意义。

  我看的时候是老师直接发给我PPT让我看，哎真的看了好久，里面的生词生句，wps翻译得一言难尽，当时就在想，以后我要是发论文了，一定要发一份中文的，好理解学习。现在我看文献喜欢用ReadPaper(以前刚做出来的时候很好用，还免费使用VIP功能，活跃送VIP之类的，现在好像商业化了，没办法邀请人得VIP了，不过基础功能还是很好用的，一个月一次全文翻译（不建议全文翻译，看论文是有技巧的，推荐可以看看李沐大佬的B站视频，我就不班门弄斧了）如果大家缺少个好用的工具可以试试这个（不是打广告的）)

  话不多说开始我们的正题，当时我看文章时候老师就是直接扔给我让我啃，看完做报告，我看的一脸懵，很多生词，例如sigmoid，MF，KNN，SVG，bayesign，等什么都不知道，纯纯小白，就知道梯度下降，损失函数，矩阵分解等一些基础知识，我发现根据我现在的水平，就想一杯牛奶倒入大海（PS：考公梗）。我连神经网络都不是很清楚，更别说这么难的论文了。然后就开始了深度学习-推荐系统之路。

   又跑题了，学长为了让我速成直接一对一指导，直接不管懂不懂，不懂继续讲，哈哈哈很感激我学长，很有耐心，很有实例，给我讲懂，可见他的实力。

  BPR: Bayesian Personalized Ranking from Implicit Feedback 基于隐式负反馈贝叶斯个性化的排名。这篇文章是由 Steffen Rendle, Christoph Freudenthaler, Zeno Gantner and Lars Schmidt-Thieme 。每位作者都值得尊重，敬佩。

BPR

当时就很不了解（u，i，j）的含义，现在细想一下很简单，其实就是奖item*user矩阵拆分为了每个user的偏好矩阵（i，j）二者更喜欢谁？

然后这篇论文我认为最重要的就是他的利用了隐式反馈，贝叶斯最大似然估计。

还有矩阵分解的BPR初始化的矩阵为预测分矩阵，最终更新的结果也是一个预测分矩阵，推荐时选取一行，即一个用户对应的物品的预测分，根据这个分数进行推荐（三元矩阵组（u,i,j））。

将一篇论文当然要看它的损失函数

分为两部分一部分是损失函数一部分是正则化，

让我们来证一下：

由此可以得证这个损失函数。由损失函数穿行起全文脉络。从用贝叶斯假设开始，

1. 一是每个用户之间的偏好行为相互独立，即用户u在商品i和j之间的偏好和其他用户无关。

2. 二是同一用户对不同物品的偏序相互独立，也就是用户u在商品i和j之间的偏好和其他的商品无关

利用以下性质进行通过最大后验估计和贝叶斯公式进行证明。

这是一篇比较基础的论文，详细写出了证明构建模型过程，简述了利用贝叶斯构建个性化排名，在当时它不再使用用户的评分这种显示反馈，而是使用用户是否对该物品有过行为这种隐式反馈。想要看懂这篇文章要有强大的数学功底和耐心，一步步的慢慢推演。一下是我的一些详细推演过程（刚开始学的时候推演的有点小复杂，适合初学者看，大佬就不用看了）

参考：

BPR(贝叶斯个性化排序)_bayesian personalized ranking-CSDN博客

贝叶斯个性化排序(BPR)算法小结 - 刘建平Pinard - 博客园 (cnblogs.com)

ReadPaper