用奇异值分解(SVD)方法分析兴趣相似度

最新推荐文章于 2024-09-09 02:30:00 发布

意庭

最新推荐文章于 2024-09-09 02:30:00 发布

阅读量1.3k

点赞数 2

分类专栏：机器学习兴趣分析 Python 文章标签：奇异值分解 SVD 兴趣分析 Python

本文链接：https://blog.csdn.net/shashe2013/article/details/103227101

版权

通过奇异值分解(SVD)对电影兴趣数据进行分析，简化计算并提高兴趣相似度判断的可靠性。SVD将矩阵分解为U、S、Vt，其中S的奇异值表示差异性，舍弃次要因素后，分析结果更可靠。SVD在《流浪地球》等科幻电影主题识别中表现出色，可用于推荐系统和兴趣匹配。

摘要由CSDN通过智能技术生成

如果你和朋友俩人都喜欢看《泰坦尼克》、《西雅图未眠人》、《廊桥遗梦》，但都不爱看《黑客帝国》、《盗梦空间》，那你们之间的兴趣一定很接近。人脑很容易根据一系列“A like X”的信息做出直觉的判断，但人脑能处理的数据量太小，也太慢，需要有算法来让计算机也能自动处理这样的兴趣相似度分析。线性代数中的矩阵奇异值分解（Singular Value Decomposition, 或 SVD）就是这样的算法之一。

矩阵奇异值分解（SVD）

对于任意矩阵 M，其奇异值分解就是 M = U * S * Vt，其中 U 为左矩阵，是一个方阵；S 为奇异值矩阵，是一个对角矩阵，对角线上的各值就是奇异值；Vt 为右矩阵，也是一个方阵；“*”是矩阵之间的点积运算（dot operation）。

奇异值分解的作用在于：把矩阵 M 看作一个坐标系下的若干点，寻找一个新的坐标系（即新的线性空间），使得该坐标系中第一个坐标轴的方向是最具“差异性”的方向（例如下图中的 v1），而这个方向对应的奇异值则能表示“差异”的程度有多大；该坐标系的第二个坐标轴是稍微次要一些的方向，其奇异值也要小一些；依此类推。所谓有“差异性”的方向是指能最大限度地体现出数据差别的方向，例如《西游记》可能大家都爱看，但不同人对《三体》的评价就差异非常大，所以《三体》对于分析个人的兴趣取向更有价值。