“主题模型”与“隐语义模型”的关系:
在项亮的《推荐系统实战》中曾提到:隐语义模型(Latent-Factor Model,以下简称LFM)的算法最早是在文本挖掘领域被提出来的,用于找出文本的隐含语义。而在文本挖掘领域,主题模型(Topic Model,以下简称TM)正是用于找出文本中的隐含主题。由此可以推断LFM是由TM演变而来,TM是文本挖掘领域的专有名词,而LFM是推荐系统领域的专有名词,但其算法思想却是一致的。
矩阵分解(Matrix Factorization)方式:
- 矩阵的谱分解(可对角化矩阵——满秩可逆)
- 矩阵的LU分解(n阶方阵,不一定存在)
- Chelesky分解(实正定矩阵)
- 满秩分解(LR)(m*n矩阵)(不唯一,总存在)
- 矩阵QR分解(可逆矩阵存在)(唯一)
- 矩阵的奇异值分解(普适性很强,要求很低)
- 极分解(方阵,如果A可逆,则唯一)
Singular Value Decomposition 奇异值分解 是矩阵分解(Matrix Factorization)的一种。
一、矩阵因子分解
假设用户物品评分矩