qq_44177960的博客

1 前言众所周知，协同过滤算法是完全没有利用到物品本身或者是用户自身的属性， 仅仅利用了用户与物品的交互信息就可以实现推荐，是一个可解释性很强， 非常直观的模型， 但是也存在一些问题。但是协同过滤当中依旧存在着很多问题。1.1 协同过滤处理稀疏矩阵的能力太差了。在真实的数据集当中，用户和商品的数量是很多的，因此用户与商品之间很多时候都是没有交互信息的。就比如小明作为用户，假设商品有1亿但是小明一生当中所购买过的商品数量可能不足10W因此有很多交互信息是为0的，所以在真实的数据集当中，这个矩阵是一

矩阵分解算法是学习协同过滤算法的基础，接下来就来讲一件什么是矩阵分解。一，基于矩阵分解算法的相关理论介绍很显然，我们要是想做推荐系统，最基本的一个数据就是用户对这个商品的特性的反应，就拿用户-物品的评分矩阵来说矩阵中，描述了五个用户（U1,U2,U3,U4,U5）对四个物品（D1,D2,D3,D4）的评分，但是我们发现有些表格中没有填写评分的数字，这个时候我们就需要把没有填写的评分根据已知的分数进行预测，然后根据评分的高低给用户进行推荐。那么如何进行预测缺失的评分呢？那么我们可以把这些想象成点，