基于矩阵分解的推荐算法（java代码实现）

最新推荐文章于 2024-08-23 20:16:39 发布

sunByFeng

最新推荐文章于 2024-08-23 20:16:39 发布

阅读量8.2k

点赞数 2

分类专栏：数据挖掘文章标签：推荐算法概率矩阵分解

本文链接：https://blog.csdn.net/qq_23211905/article/details/72236449

版权

本文介绍了基于矩阵分解的推荐算法，包括基本矩阵分解（Basic MF）、正则化矩阵分解，并以用户-项目评分矩阵为例阐述原理。通过不断迭代训练预测评分矩阵的缺失值，以实现推荐。同时，提供了Java代码实现矩阵分解的过程。

摘要由CSDN通过智能技术生成

目前推荐系统中用的最多的就是矩阵分解方法，在Netflix Prize推荐系统大赛中取得突出效果。以用户-项目评分矩阵为例，矩阵分解就是预测出评分矩阵中的缺失值，然后根据预测值以某种方式向用户推荐。常见的矩阵分解方法有基本矩阵分解（basic MF），正则化矩阵分解）（Regularized MF），基于概率的矩阵分解（PMF）等。今天以“用户-项目评分矩阵R（N×M）”说明三种分解方式的原理以及应用。
这里写图片描述
用户-项目评分矩阵
Basic MF：
Basic MF是最基础的分解方式，将评分矩阵R分解为用户矩阵U和项目矩阵S，通过不断的迭代训练使得U和S的乘积越来越接近真实矩阵，矩阵分解过程如图：
矩阵分解过程

预测值接近真实值就是使其差最小，这是我们的目标函数，然后采用梯度下降的方式迭代计算U和S，它们收敛时就是分解出来的矩阵。我们用损失函数来表示误差（等价于目标函数）：
损失函数公式1
这里写图片描述
公式1中R_ij是评分矩阵中已打分的值，U_i和S_j相当于未知变量。为求得公式1的最小值，相当于求关于U和S二元函数的最小值（极小值或许更贴切）。通常采用梯度下降的方法：
梯度下降

学习速率是学习速率，表示迭代的步长。其值为1.5时，通常以震荡形式接近极值点；若<1迭代单调趋向极值点；若>2围绕极值逐渐发散，不会收敛到极值点。具体取什么值要根据实验经验。