HPU WIN

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Rm×n=Mm×mΣUn×nTR_{m×n}=M_{m\times m}\Sigma U_{n\times n}^{T}Rm×n​=Mm×m​ΣUn×nT​对于M矩阵来说是RRTRR^TRRT ,而对于N是RTRR^TRRTR 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...

梯度下降向量化推导再看了一篇博客后，了解了梯度下降向量化的推导公式，所以便写篇博客记录一下，加深一些记忆。首先，对于输入矩阵X为n*m的矩阵所以预测值为y^\widehat{y}y​:MSE=12∗(y^−y)2=12(Xω−y)2\frac{1}{2} *(\widehat{y}-y)^2=\frac{1}{2}(X\omega-y)^221​∗(y​−y)2=21​(Xω−y)2...

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(θ∣>u)=P(θ∣>u)P(θ)...

降维是机器学习中对数据的一种处理方法，目的是使数据变得易于处理，和数据可视化，提取有效信息摒弃无效信息。比如，你将要处理一组数据，这个数据每个样本都有几十个维度，当你对这组数据进行降维处理后每个样本变成了三维甚至是一维(也就是说用一维数据或者三维数据来表示这个样本)，这时在对这个数据进行处理就会方便很多。同时你在压缩时也要考虑数据的有效性，意思是：在压缩数据后有效信息应尽可能地多，不能在进行降维...