BPMF论文辅助笔记：采样Ui 部分推导

最新推荐文章于 2024-10-08 20:27:53 发布

UQI-LIUWJ

最新推荐文章于 2024-10-08 20:27:53 发布

阅读量223

点赞数

分类专栏：论文笔记文章标签：概率论机器学习 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_40206371/article/details/120865455

版权

论文笔记专栏收录该内容

285 篇文章 74 订阅

订阅专栏

该部分是论文笔记 Bayesian Probabilistic Matrix Factorizationusing Markov Chain Monte Carlo （ICML 2008）_UQI-LIUWJ的博客-CSDN博客

3.3.3 小节的推导

1 推导

固定V , R , ΘU，更新U，其中需要满足的条件概率是

同样利用条件概率：

在 BPMF论文辅助笔记：固定U，更新θU 部分推导_UQI-LIUWJ的博客-CSDN博客我们计算得到：

$p(U|\theta_U)=\prod _i (\frac{1}{(2\pi)^{\frac{D}{2}}(\Lambda_U^{-1})^{\frac{1}{2}}}e^{-\frac{1}{2}(U_i-\mu_U)^T(\Lambda_U)(U_i-\mu_U)})$

$=(2\pi)^{-\frac{DN}{2}}(\Lambda_U)^{\frac{N}{2}}e^{(-\frac{1}{2}\sum_{i=1}^N(U_i-\mu_U)^T(\Lambda_U)(U_i-\mu_U))}$

同时 $p(R) \sim N(U^TV,\alpha^{-1})=\prod_{ij}N(U_i^TV_j,\alpha^{-1})$

因而 $p(U|R,V)=$ $p(U|R,V)=(2\pi)^{-\frac{MN}{2}}(\Lambda_U)^{\frac{MN}{2}}e^{(-\frac{1}{2}\sum_{ij}(R_ij-U_i^TV_j)^T\alpha(R_ij-U_i^TV_j))}$

由于两个高斯函数的乘积仍然是高斯函数，故待求概率也是高斯分布

而我们中有：（一次项二次项是针对U来说的）

所以我们可以推出所满足的高斯分布的均值和协方差矩阵：

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
打赏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

UQI-LIUWJ 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。