欢迎关注个人微信公众号,大大大碗面,不定期分享AI论文解读和开发技术,互联网小白,轻喷~
PMF是在正则化矩阵分解的基础上,引入了概率模型进一步优化。
假设用户U和用户V的特征矩阵均服从高斯分布,
通过评分矩阵已经知道的值,得到U和V特征矩阵,
然后用特征矩阵去预测评分矩阵中的未知值。
基础PMF模型
使用如下两个假设:
— 观测噪声(观测评分矩阵R和近似评分矩阵之差)为高斯分布
— 用户属性U和电影属性V均为高斯分布
真实值和预测值之差符合高斯分布,那么有如下概率分布表示,
通过平移有
那么评分矩阵R的条件概率如下:
这里U和V是参数,其余看做超参数(即作为U和V的参数(参数的参数,PMF中通过人工调整超参数,后面要写的BMF是通过
MCMC方法自动选出最优超参数的))。