本文总结了矩阵分解在推荐系统中的重要性，特别是针对稀疏矩阵的问题，介绍了Simon Funk提出的Funk MF方法。通过构建P和Q矩阵进行降维，预测用户评分并使用梯度下降优化参数，同时引入L2正则项防止过拟合。最后，给出了Python代码实现。
矩阵分解常作为推荐系统中一个比较常用的方法，在传统的svd分解中，矩阵分解是把一个
R m × n = M m × m Σ U n × n T R_{m×n}=M_{m\times m}\Sigma U_{n\times n}^{T} Rm×n=Mm×mΣUn×nT
对于M矩阵来说是 R R T RR^T RRT ,而对于N是 R T R R^TR RTR 的特征向量。
但是R为稀疏矩阵(因为在用户的矩阵中部分用户对于部分物品是没有评分的，也就是矩阵元素为0)，这也就意味着 R T R R^TR RTR 是不存在的，同样R乘以R的转置也不存在。所以这里就需要新的方法来处理这个问题。当然我们可以使用每行的平均值来填充空的元素，这一看起来比较合理的方法。不过这样会导致结果会有很大的偏见，所以不建议使用。
后来simon Funk就提出了一种分解方法，Funk mf,也就是我们日常所使用的mf。及利用中间变量来降维从而使得矩阵可分
R m × n = P m × k Q n × k T R_{m \times n}=P_{m \times k}Q_{n \times k}^T Rm×n=Pm×kQn×kT
这里的P和Q矩阵分别是用户u-中间矩阵，和物品矩阵，上面的模型也被称为隐含语义模型，或者叫做隐式反馈。
那么就得出预测矩阵
R ˉ = P × Q \bar{R}=P\times Q Rˉ=P×Q
有了预测矩阵，那么就可以想到梯度下降来求解最优参数了，于是：
S S E = （
最低0.47元/天 解锁文章
1727
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
