推荐系统---基于概率的矩阵分解（PMF）

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)）。