深度学习推荐系统笔记(3)

2.6 协同过滤的缺点

        UI矩阵对没有历史记录的评价为0所以UI矩阵很稀疏：计算物品相似度时用户评价较多的商品容易和其他物品的相似度高——仅仅因为这个物品打分的用户多。其他物品可能是相似的，但是因为打分的人少，物品向量非常稀疏，无法计算相似度

协同过滤的缺点：1.推荐结果的头部效应比较明显，处理稀疏向量的能力弱即泛化性能差

2.UI矩阵只有用户对物品的评价信息，没有用户特征，物品特征和场景特征，有效信息少。

3.矩阵分解

为每个用户和物品生成各自的隐向量，将用户和物品定位到同一个隐向量的表示空间上，用户和物品的距离越近说明爱好程度越高，越应该被推荐。用户和用户的距离越近说明用户相似度越高，物品和物品的距离越近说明物品相似度越高。

隐向量的生成：

矩阵分解：UI矩阵R(m*n)=用户矩阵U(m*k)*(k*k)*物品矩阵V(k*n)。（把一个稀疏的大矩阵分解成为相对稠密的两个矩阵）k:k越大，泛化能力越强，隐向量的信息越少，找平衡点

                 ​​​​​​​        

 用户U对物品I的评分计算：

        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​   

 3.1矩阵分解的方法：

1. 特征值分解——方阵

 2. SVD分解——过程看书，为什么这么做就得到的是用户矩阵和物体矩阵？SVD要求UI矩阵是稠密的，怎么填充？SVD计算复杂度太高

3. 梯度下降：找一个矩阵分解的函数，使得矩阵分解后得到的用户对物品的评分尽可能接近原始UI矩阵的元素值——最小化损失函数，加正则项。——计算梯度，反向更新。

得到最终的用户和物品的隐向量，一个用户对所有物品各自做内积得到的喜好程度排序，即为最终的推荐列表。问题：为什么计算I的梯度时不纳入所有的U？

                        

 总结：矩阵分解用用户和物品的隐向量去预测特定用户和特定物品的打分。梯度下降去拟合UI矩阵的全局信息。由此具有更好的泛化能力。

3.2消除用户和物品打分的偏差

        引入全局偏差常数，物品偏差系数，用户偏差系数，引入偏差系数做梯度下降。更能反映用户真实态度，得到更有用的推荐信息。

 ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        ​​​​​​​        

        ​​​​​​​        ​​​​​​​        

 3.3 矩阵分解的优点和局限性

优点	1.泛化能力变强了。用隐向量去拟合UI矩阵的全局信息，1个大的稀疏矩阵——2个稠密的用户和物品矩阵 2.空间复杂度降低。不用存用户相似度和物品相似度矩阵，只要存隐向量就够了 3.embedding思想方便特征组合？
缺点	还是没有用户特征，物品特征，场景特征信息