SVD，MF，WMF

简单SVD算法

矩阵分解，就是把用户和物品都映射到一个K维空间上（一般K要比用户和物品数量药要小），这个k维空间不是直接看到的，通常称为潜在因子SVD其实是一种机器学习算法，而不是推荐算法

SVD的损失函数是这样定义的，后面的为正则化项

整个SVD的学习过程就是：

1）准备好用户物品的评分矩阵

2）给分解后的U矩阵和V矩阵随机初始化元素值，随机初始

3）用U和V计算预测后的分数

4)  计算预测的分数和实际的分数误差

5）按照梯度下降的方向更行U和V中的元素值（梯度下降法和交替最小二乘法）

6）重复步骤3到5，直到达到停止条件

得到分解后的矩阵之后，实质上就是得到每个用户和每个物品的潜在因子向量（不用太在意每一个潜在因子的含义），根据这两个矩阵就可以计算出打分值，简单来说就是拿着物品和用户两个向量相乘，积就是推荐分数。矩阵分解并不等于SVD，只能说矩阵分解是SVD方法之一。

 

在某些情况下我们使用加权矩阵分解（WMF weighted matrix factorization）来学习潜在因子向量，他是一种针对于隐性反馈改进的矩阵分解算法

其他方法：1.没评分的都是负反馈2.按正反馈的比例进行负反馈，重点是那些很热门却没有被评分的

 cui=1+arui

对每一对用户物品对，定义一个偏好变量pui，定义一个信心变量cui。rui是用户u对歌曲i的播放次数，I(x)是指示函数（指示函数就表示如果满足后面那个条件，就是1，不满足就是0），是超参数

pui表示用户u是否听过歌曲i，如果这个值是1，就假定用户喜欢这首歌。cui衡量我们对这种特定偏好的确定程度。如果用户播放这个音乐次数越多，则c就越高，没播放过则c就很低。

 

WMF目标函数公式是

两种方法进行迭代

梯度下降法（不适用于加权）

求导加迭代

 

交替最小二乘法

x和y交替进行更新

不加权的算法（也不加正则化项）

加权

I是恒矩阵，对角线为1的方阵