1.PureSVD
总结
首先因为低秩假设,一个用户可能有另外一个用户与他线性相关(物品也一样),所以用户矩阵完全可以用一个比起原始UI矩阵更低维的矩阵表示,pureSVD就可降维得到两个低维矩阵,但是此方法要求原始矩阵稠密,因此要填充矩阵(只能假设值),因此有了funkSVD直接分解得到两个低维矩阵。因为用户,物品的偏置爱好问题所以提出了biasSVD。因为用户行为不仅有评分,且有些隐反馈(点击等),所以提出了SVD++。因为假设用户爱好随时间变化,所以提出了timeSVD。因为funkSVD分解的两个矩阵有负数,现实世界中不好解释,所以提出了NMF。为了符合TopN推荐,所以提出了WMF。推翻低秩假设,提出了LLORMA(局部低秩)。因为以上问题都未解决数据稀疏和冷启动问题,所以需要用上除了评分矩阵之外的数据来使推荐更加丰满,即加边信息。
推荐系统-----矩阵分解总结(借见原文https://zhuanlan.zhihu.com/p/35262187)
最新推荐文章于 2022-11-30 14:56:56 发布