推荐系统Lambda架构算法（三）：基于回归模型的协同过滤推荐算法及其实现（随机梯度下降法优化+交替最小二乘法优化）

基于回归模型的协同过滤推荐

如果我们将评分看作是一个连续的值而不是离散的值，那么就可以借助线性回归思想来预测目标用户对某物品的评分。其中一种实现策略被称为Baseline（基准预测）。

Baseline：基准预测

Baseline设计思想基于以下的假设：

• 有些用户的评分普遍高于其他用户，有些用户的评分普遍低于其他用户。比如有些用户天生愿意给别人好评，心慈手软，比较好说话，而有的人就比较苛刻，总是评分不超过3分（5分满分）
• 一些物品的评分普遍高于其他物品，一些物品的评分普遍低于其他物品。比如一些物品一被生产便决定了它的地位，有的比较受人们欢迎，有的则被人嫌弃。

这个用户或物品普遍高于或低于平均值的差值，我们称为偏置(bias)

Baseline目标：

• 找出每个用户普遍高于或低于他人的偏置值$$b_u$$
• 找出每件物品普遍高于或低于其他物品的偏置值$$b_i$$
• 我们的目标也就转化为寻找最优的$$b_u和b_i$$

使用Baseline的算法思想预测评分的步骤如下：

• 计算所有电影的平均评分$$\mu$$（即全局平均评分）

• 计算每个用户评分与平均评分$$\mu 的偏置值b_u$$

• 计算每部电影所接受的评分与平均评分$$\mu 的偏置值b_i$$

• 预测用户对电影的评分：
  $${\hat{r}}_{ui}=b_{ui}=\mu +b_u+b_i$$

• 举例：通过Baseline来预测用户A对电影“阿甘正传”的评分

  • 首先计算出整个评分数据集的平均评分$$\mu$$是3.5分
  • 用户A比较苛刻，普遍比平均评分低0.5分，即用户A的偏置值$$b_i$$是-0.5；
  • “阿甘正传”比较热门且备受好评，评分普遍比平均评分要高1.2分，“阿甘正传”的偏置是+1.2
  • 因此就可以预测出用户A对电影“阿甘正传”的评分为：$$3.5+(-0.5)+1.2$$​，也就是4.2分。

对于所有电影的平均评分是直接能计算出的，因此问题在于要测出每个用户的评分偏置和每部电影的得分偏置。对于线性回归问题，我们可以利用平方差构建损失函数如下：

加入L2正则化：
$$Cost=\sum _{u,i\in R}(r_{ui}-\mu -b_u-b_i{)}^2+\lambda \ast (\sum _u{b_u}^2+\sum _i{b_i}^2)$$
公式解析：

• 公式第一部分$$\sum _{u,i\in R}(r_{ui}-\mu -b_u-b_i{)}^2是用来寻找与已知评分数据拟合最好的b_u和b_i$$
• 公式第二部分$$\lambda \ast$$