本文深入探讨了协同过滤的种类，包括基于记忆、基于物品和基于用户的协同过滤。重点介绍了矩阵分解中的Singular Value Decomposition (SVD)。SVD在推荐系统中的应用被详细阐述，它通过将稀疏的评分矩阵映射到低维空间，计算物品相似性，以预测用户评分并实现推荐。此外，还讨论了如何通过SVD实现推荐系统的具体步骤。
五、协同过滤
种类
基于记忆：
基于物品
基于用户
集成：
Combine the Model-based&Memory-based
基于模型：
矩阵分解
深度学习
基于用户
基于模型
不同算法
特征值和特征向量
A X = λ X AX = \lambda X AX=λX
X就是特征向量
$\lambda $就是特征值
A = w λ w − 1 A = w \lambda w^{-1} A=wλw−1
SVD的定义
SVD也是对矩阵进行分解，但是和特征分解不同，SVD并不要求分解的矩阵为方阵。假设我们的矩阵A是一个mn的矩阵，那么我们定义矩阵A的SVD为
A = U σ V T A = U \sigma V^T A=UσVT
其中U是一个mn的矩阵， σ \sigma σ是一个mn矩阵，除了主对角线上的元素以外全为0，主对角线上的每个元素都称为奇异值，V是一个nm的矩阵，U和V都是酉矩阵(实正交矩阵)，即满足 V T V = I , U T U = I V^T V = I,U^T U = I VTV=I,UTU=I
右奇异向量求解
如果我们将A的装置和A做矩阵乘法，那么会得到n*n的一个方阵 A T A A^TA ATA,既然 A T A A^TA ATA是方阵，那么我们就可以进行特征分解，得到的特征值和特征向量满足下式：
( A T A ) v i = λ v i (A^TA)v_i = \lambda v_i (ATA)vi=λvi
得到：矩阵 A T A A^TA ATA的n个特征值和对应的n个特征向量v。
A = U Σ V
最低0.47元/天 解锁文章
扫一扫
481
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
