matlab 低秩矩阵分解,14.4 向量化：低秩矩阵分解

将用户对电影的评分表格：

| Movie/User | Alice\(1\) | Bob\(2\) | Carol\(3\) | Dave\(4\) |

| :---: | :---: | :---: | :---: | :---: |

| Love at last | 5 | 5 | 0 | 0 |

| Romance for ever | 5 | ? | ? | 0 |

| Cute puppies of love | ? | 4 | 0 | ? |

| Nonstop car chases | 0 | 0 | 5 | 4 |

| Swords vs. karate | 0 | 0 | 5 | ? |

* * * * *

用矩阵表示：

```[math]

Y =

\begin{bmatrix}

5 & 5 & 0 & 0 \\

5 & ? & ? & 0 \\

? & 4 & 0 & ? \\

0 & 0 & 5 & 4 \\

0 & 0 & 5 & 0

\end{bmatrix}

```

* * * * *

用预测来描述这个矩阵：

```[math]

Predicated =

\begin{bmatrix}

(\theta^{(1)})^T x^{(1)} & (\theta^{(2)})^T x^{(1)} & \cdots & (\theta^{(n_u)})^T x^{(1)} \\

(\theta^{(1)})^T x^{(2)} & (\theta^{(2)})^T x^{(2)} & \cdots & (\theta^{(n_u)})^T x^{(2)} \\

\vdots & \vdots & \vdots & \vdots \\

(\theta^{(1)})^T x^{(n_m)} & (\theta^{(2)})^T x^{(n_m)} & \cdots & (\theta^{(n_u)})^T x^{(n_m)}

\end{bmatrix}

```

* * * * *

令：

```[math]

X =

\begin{bmatrix}

(x^{(1)})^T \\

(x^{(2)})^T \\

\vdots \\

(x^{(n_m)})^T

\end{bmatrix},

\Theta =

\begin{bmatrix}

(\theta^{(1)})^T \\

(\theta^{(2)})^T \\

\vdots \\

(\theta^{(n_u)})^T

\end{bmatrix}

```

* * * * *

即`$ X $`的每一行描述了一部电影的内容，`$ \theta^T $`的每一列描述了用户对于电影内容偏好程度，亦即，将原来稀疏的矩阵分解为了`$ X $`和

`$ \theta $`。现在预测可以写为：

```[math]

Predicated = X \Theta^T

```

* * * * *

用这个方法求取`$ X $`和`$ \theta $`，获得推荐系统需要的参数，称之为**低秩矩阵分解**，该方法不仅能在编程时直接通过向量化的手法获得参

数，还通过矩阵分解节省了内存空间

* * * * *