BPR 学习小结

前天学习了贝叶斯个性化推荐，现在写篇博客来总结一下知识点，说是总结，其实也就是把里面的公式抄一下，说说其中的思想以及python代码的实现
首先，贝叶斯个性化推荐是基于矩阵分解来做的，都是把USER-ITEM矩阵分解为一个user-k,一个item-k的矩阵的乘机形式，唯一不同的是BPR利用了贝叶斯定理的形式来处理这个矩阵，也就是
$$P(\theta |{}^{>}u)=\frac{P({}^{>}u|\theta )P(\theta )}{p({}^{>}u)}$$
我们知道对于似然函数来说，每个用户>u的矩阵，都会导致一个P(θ)的值，那么事件θ发生的概率就是P(θ|>u),所以我们的目的是力图使这个似然值最大。
也就是；每个用户之间相对独立，这个用户对每个物品的喜爱程度不受其他用户的影响
用户u对物品i和物品j的喜爱程度不受其他物品的干扰。
而式子中的>u表示的是用户的偏序集，也就是用户对于各种物品的喜爱程度，θ则表示这矩阵分解中的两个参数矩阵
接下来，就是对这个式子的处理化简。
首先对于等式右边的分母，我们可以看出对于所有的用户来说，这个分母都是一样的，那么我们可以把它省略掉，方便后续的处理。那么式子就变成了：
$$P(>u|\theta )P(\theta )$$
然后就是$P(>u|\theta )$的处理，
$$\prod _{u\in U}P(>u|\theta )=\prod _{(u,i,j)\in (UII)}P(i>u,j|\theta {)}^{\delta ((u,i,j)\in D)}(1-P(i>u,j|\theta {)}^{\delta ((u,i,j)̸\in D)})$$

同时对于$\delta$函数来说，如果括号里面的值为正，那么返回1，否则返回0，因为本题在处理时考虑的是u更喜欢i相对于j，所以式子就变成了
${\prod }_{u\in U}P({>}_u|\theta )={\prod }_{(u,i,j)\in (U,I,}$